目前，我国沿海海域水体污染日趋严重，为充分利用海洋资源发展海洋经济，建设海洋强国，国家管理部门近年来重点对海洋水体水质实时检测和海量信息实时处理技术进行重点研究与攻关，以实时获得准确评价海洋水体质量的数据，实现海水水质的实时综合性检测并做出决策，提高对海洋资源综合性利用、海洋污染预警，以及海洋生态环境保护能力。本文的研究内容是对各种海洋水质传感器获得信号进行多传感器数据融合，重点研究其融合算法，并将其应用于水质检测系统，建立了适用于海洋水体水质级别实时检测模型，在已有数据融合的基础上提出一种将模糊神经网络和D-S证据理论相结合的两级融合算法。主要研究内容包括：首先，论述了多传感器数据融合技术的研究现状、存在的问题及发展趋势，并详细地介绍了数据融合的结构及方法。其次，研究了改进BP神经网络在水质检测系统中的应用，分析并获取了影响网络训练速度的各种参数，获得了检测水质的最优神经网络拓扑结构，构造了神经网络模型，通过实时水样的在线分析、训练输出验证了该模型的有效性。再次，设计了基于D-S证据理论的水质检测方案，确定基本概率分配函数的计算方法；通过D-S证据合成规则，验证了多个传感器获得的数据的合成结果较单个传感器获得的数据更符合要求。最后，结合被测海洋水体模糊化的特点以及神经网络与D-S证据理论数据融合技术在水质检测方面的优势，提出将模糊神经网络与D-S证据理论的两级融合算法应用于水质检测系统中，实验验证了融合算法的可行性和有效性，对比了不同融合方法的准确率，指出了模型的不足和改进之处。