多传感器数据融合技术首先是从军事领域发展起来的,并且己经发展成为一个新的学科方向和研究领域。本文介绍了数据融合系统的基本理论、发展及研究现状,研究了数据融合中的不确定方法,结合在研的国家“863”重大项目——车载农田土壤信息快速采集关键技术与产品研发,构建土壤参数融合模型,在智能计算理论的基础上,对多传感器数据融合算法提出了新的思路,并进行了深入的研究。对基于神经网络与信任度函数的多传感器数据融合算法进行了研究,构造信任度函数矩阵,采用该矩阵度量各传感器测得数据之间的综合信任程度,合理分配测得数据在融合过程中的权重,作为BP神经网络的输入,经过训练好的网络,取得良好的融合效果,以削弱白噪声对测量精度的影响。提出了两种基于粒子群优化算法(PSO)的传感器融合方法。一种方法是对粒子群优化算法中的固定惯性权重进行改进,分析了惯性权值因子在粒子群优化算法中的作用,在现有线性递减权值方法上,提出一种非线性权值递减策略,并将其尝试性的运用到多传感器数据融合的领域,运用该算法对加权因子进行调整,得到良好的融合效果。另一种是基于量子空间的粒子群算法(QDPSO)和BP神经网络的多传感器融合算法,经过QDPSO训练的BP神经网络具有较好的稳定性和收敛性,将其运用于多传感器数据融合中,通过仿真取得了比常规算法更高的精度,是一种较有潜力的融合算法。研究小波变换的特性,提出了基于小波包变换的多分辨率多传感器信息融合模型。利用小波变换的理论,研究小波在像素级、特征级融合中的新算法。根据已经建立好的土壤信息融合模型,结合测量得到的各种农田参数,将研究的融合算法运用于具体的数据处理中,对土壤含水率、电导率等参数进行实际分析,从海量传感器信息中,提取有价值的农作物生物物理和生物化学参数,以指导实地农业生产和管理,从而提高农作物的产量和质量,为进一步实现精准农业提供理论依据和实践参考。