近年来,随着无线传感器网络及微处理器技术的深入研究,无线传感器网络在各个领域的应用更加广泛,其主要功能是收集监测范围内的信息并将该信息传递到汇聚节点。传感器节点是由不可更换的电池供电,能量有限,因此在传递这些数据之前对原始数据进行融合就显得很重要。由于无线传感器网络在功能和结构上与神经网络存在相似性,近年来各种神经网络模型被广泛应用于WSN的特征提取。本文基于深度学习技术,提出了一种深度自编码器(DESAE)模型,主要由两部分组成,第一部分是由多层自编码器组成的特征提取层;第二部分是由Softmax分类器组成的分类层。采用逐层贪婪法在汇聚节点完成对深度自编码器的训练。针对LEACH协议的缺点,如簇头节点随机分布,簇头选举过程中没有考虑距离及剩余能量等因素,提出了一种改进的路由算法。本文将深度自编码器(DASAE)与无线传感器网络进行结合,提出了新的数据融合模型DESAEDA,其原理是将深度自编码器分层部署在无线传感器网络分簇结构中,接着将数据输入到深度自编码器模型,提取得到少量特征数据,最终将该数据传递到汇聚节点。与传统的浅层神经网络模型相比,该深层网络模型能够表示出更复杂的数据特征,提高特征分类提取的正确率。本文通过MATLAB仿真平台对DESAEDA算法进行仿真测试,为了更好地展示网络性能,对DESAEDA算法和其他典型算法进行仿真对比。实验结果显示,DESAEDA算法能够有效减少数据传输量,降低网络中传递冗余数据造成的损耗,有效增强了网络使用寿命,更适于处理较大规模网络。