数据融合技术就是研究如何有效地综合利用多传感器信息，克服信息的不完备性和不确定性，更加准确、全面地认识和描述被测对象，从而做出正确的判断和决策，近年来已成为各国学者研究的热点。多传感器数据融合技术已经广泛用于模式识别、目标跟踪、图像处理和机器人等领域。尽管数据融合技术发展迅速，但它仍然是一个远未成熟的领域，尚未形成完整的理论，还有许多问题需要解决。神经网络多传感器数据融合便于建立知识库，能实现知识自动获取及联想推理以表达不确定环境的复杂关系，并且具有大规模并行处理能力，同时又有一定的容错性，对先验知识的依赖性小，因此引起了越来越多人的研究兴趣。人工神经网络是以神经元为顶点、顶点间的连接为边的有向图，是一种大规模的非线性动力学系统。神经网络数据融合系统的突出优点是可以实现实时处理，并且通过对网络的训练，自动找到数据融合的方法，因此可以节省大量的运算和对先验信息的需求。但神经网络多传感器数据融合技术还缺乏统一的理论基础，神经网络种类和参数的选择还处在经验层次上，各自为政，阻碍了神经网络数据融合的应用和交流；很多算法还不完善，对新的应用领域的应用上还远远不能符合要求。 本文在对神经计算在多传感器数据融合算法的基础上进行了整理、归纳，并进一步深入研究，将其应用与人类思维模型的构造，主要研究内容和取得的成果如下： (1) 实用性地分析、归纳、总结了数据融合、人工神经网络以及人工神经网络数据融合的系统理论和方法。 (2) 在神经网络的基础理论中介绍了神经网络的基本概念、发展过程和应用；分析了网络的基本工作原理以及神经网络与模式识别的关系，定性地论证了神经网络融合识别的基本机理。 (3) 研究可用于数据融合的模块化神经网络与模糊理论相结合。模块化神经刚络具有单一神经网络无法比拟的优势，其不足之处又可以通过模糊理论的引入得以弥补。使用模糊推理系统处理系统输入可以大大减少神经网络模块化带来的系统复杂度。 (4) 模糊神经网络在融合识别中的应用。根据多源数据的特征具有高维数的特点和BP网络在解决此类问题中的缺陷，研究了CPN网络学习算法的几种改进方法，提出了模糊隐层节点动态调整的网络学习方式；模糊网络中传感器的管理也在这里进行了讨论。 (5) 在模块化神经网络和模糊理论的基础上提出了人脑的思维模型。从本文研究的结果看，神经网络在数据融合中的应用具有重要的价值和优势，但也有许多问题需要进一步研究。目前的人工神经网络模型还只是对人类大脑神经网络的很有限的仿真。但是，从目前的研究趋势上来看，基于生命科学的方法将在未来信息处理领域变得越来越重要，必将发挥更大的作用。