无线传感器网络(Wireless Sensor Networks, WSN)是由许多具有低功率无线收发装置的传感器节点组成,它们监测采集周边环境信息并传送到基站进行处理。在某一时刻通过WSN采集的数据量非常大,如何正确、高效地处理这些数据成为当前WSN研究中的一个热点。传感器节点一般部署在恶劣环境中,一些偶然因素会使采集的数据中出现不准确的数据,用户依据这样的数据很难准确判断出被测对象的真实状态。基于模糊理论的决策级数据融合算法能够很好的解决这个问题。本文以国家863研究项目《基于无线传感器网络的铁路危险货物在途安全状态监测技术研究》为背景,结合铁路运输中棉花在途状态监测系统的开发,在分析了当前有效的决策级数据融合技术基础上,提出了基于模糊理论的决策级数据融合算法,该算法通过对采集数据进行处理和分析,以获得准确的被测对象状态的描述。本文的主要工作包括：(1)分析了WSN中传统的决策级数据融合算法,如自适应加权数据融合算法和算术平均数数据融合算法,总结这两种算法的优缺点和检测系统的需求,进步明确理想算法应达到的目标。(2)提出了基于模糊理论的两阶段数据融合算法；该算法第一阶段利用基于贴近度的数据融合算法进行同类数据的融合校准,这一阶段的目的是剔除错误的和可信度较差的数据,得到相对更加准确的数据。第二阶段利用模糊推理对第一个阶段得到的异类数据进行融合推理,得到被测对象当前状态的描述,为决策提供支持。(3)结合实测数据仿真本文所提出的算法,结果证明与传统的融合算法相比,可以更加准确的描述被测对象状态。