随着无线传感网的日益广泛应用和物联网的产生与应用，信息融合技术已经逐渐融入到社会生活当中，给人们生活带来了前所未有的便利。随着传感器数据来源越来越复杂，如何全面、快速、准确的获取信息已成为研究热点，因此对信息融合方法的研究具有重要意义。本文以多传感器的监测数据作为研究对象，从监测数据的时间和空间冗余性出发，利用流数据模型构建了基于时间维的数据级信息融合模型和基于空间维的特征级信息融合模型，提出了对应的信息融合方法，并将之应用于森林火灾监测系统中。具体研究内容如下：为了更好的利用监测数据上下文的情景信息，提出了基于滑动窗口的信息融合模型，其基本思想是利用窗口内连续数据序列的上下文情景信息，对属性在窗口内的变化进行估计，并利用这种估计来表述属性的变化；同时利用同一属性不同窗口以及不同属性相同窗口的数据序列之间存在的冗余信息，实现多传感器数据的关联和融合。针对数据级的信息融合，提出了基于时间维的数据级信息融合算法--DIFAT算法(Data-Level Information Fusion Algorithm based on Time-Dimension)，利用被监测对象自身存在的变化规律，对窗口内数据序列进行时域和频域分析，建立被监测对象关于时间变化的模型，并通过最优化方法给出被监测对象规律的最优估计。利用Matlab仿真工具，对该算法的有效性进行了验证，结果表明该算法能有效地去除部分噪声，减少感知数据的不确定性，得到相对可靠的对属性变化特性的估计。针对特征级的信息融合，既考虑了同一属性不同传感器数据的融合，也考虑了不同属性不同传感器的数据融合，提出了基于空间维的特征级信息融合算法--FIFAS算法(Feature-LevelInformation Fusion Algorithm based on Spatial-Dimension)，通过数据关联、神经网络等方法确定被监测属性之间的映射关系，并利用这种关系进行信息融合，确定被监测属性的状态。利用Matlab仿真工具，对该算法的有效性进行了验证，结果表明该算法能很好的描述属性的真实情况，对属性的原始的数据频域分布能做出合理的估计。为了进一步验证所提出的算法的实用性，设计了各算法在森林火灾监测系统中的应用架构，运用DIFAT算法和FIFAS算法给出森林火灾的预警等级。