无线传感器网络是由若干耗能较低,功能各异的传感器节点组成的。它们可以在不同的环境中监测和采集周边环境信息并将信息发送给工作人员。在此过程中,节点具有信息采集,处理和存储等功能,但考虑到其能源有限,且主要依靠无法替换的电池供电,同时采集到的信息具有高冗余性等特点,若是将这些数据全部发送给汇聚节点(Sink),会使节点能耗过快,降低网络使用效率。为了避免上述问题的产生,人们提出了数据融合(data fusion或data aggregation)技术。把数据融合应用于无线传感网络中,用以减少无线传感器网络的通信量,提高信息的融合度和准确度成为降低节点能耗、延长网络生命周期的主要手段之一。本文以环境监测为背景,首先提出了一种适用于WSN的基于神经网络的分簇路由协议数据融合模型。该算法将无线传感网络(WSN)的分簇路由协议与BP神经网络相结合,通过神经网络方法对簇内节点采集到的信息进行数据拟合,在此基础上,通过对网络训练参数的改进,网络训练收敛加快,缩短了网络收敛时长。最后,通过只将数据的特征值发送给汇聚(Sink)节点,以此来减少节点数据流量、节约能耗。通过仿真实验验证,该算法可有效减少网络通信量,降低节点能耗,延长网络寿命,同时还验证了本算法在环境监测等方面的实时性和有效性。再引入以T-S推理系统为基础的模糊神经网络数据融合方法,通过对模糊神经网络学习算法的学习、研究,提出了一种新的改进学习算法,最后再与分簇路由协议相结合,利用上文中提出的创新结合,提出了一种新的基于模糊神经网络的WSN数据融合模型。最后通过仿真实验表明,以水环境监测系统为背景,与传统的T-S模糊神经网络相对比,分别从网络预测准确度及网络收敛速率两方面,验证了改进算法模型的高效性,最终达到节省了节点能耗,延长网络寿命的目的,同时证明了其在水环境监测系统上的可行性及高效性。