无线传感器网络(WSN)的节点容易受到环境因素的影响,因此采集到的数据可能会存在异常。目前,数据融合技术在进行数据融合时的主要方式是源节点将采集到的数据直接发送到融合节点进行融合处理,采用这样的融合方式,异常数据会严重影响最终的融合结果,而且直接将数据发给融合节点会产生较多的通信量,不利于网络的节能。本文对比分析了无线传感器网络数据融合技术的几类主要方法,选择基于支持度函数的数据融合算法展开研究,提出一种改进的支持度函数用于识别异常数据,提高数据融合的精确度;之后,将改进的支持度函数数据融合算法与节点初次融合方法相结合,提出一种新的二次数据融合模型,该模型可以在确保融合精确度的同时提高网络的节能效果。论文的主要研究工作包括:①针对异常数据影响融合结果的问题,本文提出一种改进的支持度函数进行数据融合。引入自支持度的概念与灰色接近度理论相结合改进指数衰减型支持度函数,使用改进的支持度函数计算数据的融合估计值。该算法对数据间的联系考虑得较为充分,可以有效地识别出异常数据,在融合时给异常数据添加较小的权值以降低其对融合估计值的影响,达到提高融合精度的目的。使用Matlab2013进行仿真的实验结果表明:与加权数据融合算法和基于指数衰减型支持度函数的数据融合算法相比,本文提出的算法可以提高数据融合的精确度,当实验数据中加入了异常数据后,能够有效地识别出异常数据,降低其对融合估计值的影响。②针对节点直接将数据发往融合节点通信量大、能耗多的问题,在WSN的感知节点对数据进行初次融合处理,减少发送往汇聚节点的数据量,可以减少WSN的网络能耗。将此思想与改进支持度函数数据融合方法相结合,提出了一种新的WSN二次数据融合模型,该模型同时考虑了数据融合的精确度和WSN的节能。使用Matlab2013进行仿真的实验结果表明,本文的二次数据融合模型可以在保证融合精确度的同时降低网络的能耗。