无线传感器网络(Wireless Sensor Networks, WSN)受限于节点硬件，尤其是能量的供应是有限的且难以更换的，因此能源问题成为WSN发展的最大阻碍。数据融合技术由此涌现出来，从最初最简单的数据包合并发展到囊括路由协议、数据预测、MAC协议等等方面，其研究目的也发展为节省节点资源、延长网络生命期、降低数据通信延时、提高数据质量等目标。在WSN中，节点所采集的数据存在相关性，包括时间相关性、空间相关性和近几年开始出现部分研究成果的数据属性相关性(Attribute Correlation)，相关性的研究能够进一步推动WSN数据融合技术的深入研究。针对相关性的研究主要集中在相关性的挖掘及评估、基于相关性的数据预测与数据融合等关键技术。本文的研究内容可以分为以下三个部分：一、基于相关性的数据融合技术。相关性是无线传感器网络收集数据的重要特征，这些相关性可以用于无线传感器网络的关键技术的发展和改进中，本文第二章分析了三种不同性质的相关性，对这三种相关性的产生原因和衍生或影响的无线传感器网络技术进行了详细的描述和比对，包括时间相关性衍生的数据预测技术、空间相关性衍生的集群结构数据收集技术和无线传感器网络多元性导致的属性相关性，以及对属性相关性的挖掘和评估方式。二、基于周期时间相关性的数据预测算法。通过分析无线传感器网络时间相关性，本文第二章对时间相关性的研究中创造性地提出将时间相关性进一步细分为连续时间相关性和周期时间相关性。通过对各类数据预测算法的对比，选择预测成功率高且算法复杂度低的一阶自回归算法，将周期时间相关性中体现的数据曲线变化特点融入其中，在原有算法之上增加了一个预测值修正的过程，提高了自回归算法的预测成功率并通过仿真进行了验证。三、基于空间相关性的数据收集协议研究。通过对空间相关性的分析，本文第四章提出一种新的建簇方式。已知的集群结构无线传感器网络数据收集协议分为簇结构和树结构，一般在普通节点级别采用簇结构的数据收集方式，在簇头和sink节点级别采用树结构的数据收集方式，本文在簇的建立过程中根据节点与簇头采集数据的相似度来决定节点加入的簇，这样做的优点在于簇内节点的相似度更高，结合预测算法的使用可以提高收集数据的质量。在此基础上，将第三章中改进的数据预测算法应用至具有多个传感器的节点，指出单个节点上的多个传感器预测结果不一致的问题并提出了牺牲较小精度的折中解决办法，在解决这个问题之后，将数据预测算法与数据收集协议融为一体，数据预测成功的节点不向sink发送数据，二者的结合使得数据收集协议的节能效果进一步得到提升，设计仿真进行了验证。文章从相关性的研究出发，引申至多项数据融合技术的研究，对其研究现状、技术特点等进行了详细分析和阐述，提出了基于周期时间相关性的数据预测算法，并将该算法应用至节点携带多传感器的条件下。然后，将该数据预测算法与数据收集协议相结合能进一步延长网络生命期。