随着计算机网络与通信技术的飞速发展,无线通信技术的发展越来越受到关注,各种无线通信应用层出不穷,其中,无线传感器网络的设计与应用逐渐成为热点。无线传感器网络是一类无线自组织网络,具有自组织性、自适应性与容错性高的特点,在许多方面,比如环境监测,目标跟踪,工农业生产等,都有着十分广阔的应用前景。在无线传感器网络中,如何应用数据融合的方法来减少数据的传送量,从而高效利用传感器节点的能量,达到延长无线传感器网络生命周期的目的是一个关键研究方向。本论文利用BP(Back Propagation)神经网络能够对曲线进行无限逼近的特性来对无线传感器的监测数据进行数据拟合,然后传输拟合好的权值与阈值,同时通过将上一次拟合的权值与阈值赋予下一次拟合来减少神经网络的训练步数。模拟实验表明利用该方案能够有效减少数据的传输量,从而达到高效利用传感器能量的目的。考虑到现今大部分无线传感器网络中的无线传感器节点计算能力偏弱,可用于计算的开销较小,而BP神经网络有其固有的计算量大的弱点,本论文还讨论了在基站端进行BP神经网络的计算,利用节点传送的有限的数据预测节点未传送数据,或利用有限节点传送的数据预测大部分节点的监测数据。数学分析和模拟实验表明该方案是可行的。现今不少文献所提出的数据融合方法,多数是利用各种路由协议,在数据传输过程中为数据选择能量消耗少的路由路径以及减少节点间监测数据的冗余等技术来减少节点能量的消耗。本论文提出的基于BP神经网络的数据融合,以及讨论的利用基站运行BP神经网络的预测计算,能够在数据产生处去除大量冗余,并且能够利用所收集数据的一部分预测其它部分数据,从根本上减少了节点间的数据传输,对于相关研究具有一定的借鉴意义。