近年来，随着人们对无线传感器网络（Wireless Sensor Network, WSN）理论研究的不断深入，其应用领域迅速的扩展到了我们生活中的各个方面。野外火灾的特点是破坏性强、蔓延速度快，采用先进的技术手段实现对野外火灾的早期预警对保护野外资源至关重要。相对于传统人工巡护、瞭望塔观测、飞机巡航以及卫星遥感等传统的森林火灾监测手段，无线传感器网络具有成本低廉、全面感知、准确性高等诸多优点，因此被广泛的应用于森林火灾监测中，利用无线传感器网络技术进行森林火灾预警也因此成为了国内外学者的一个研究热点。然而，WSN是资源受限的网络，其电池容量、计算能力、存储空间和通信带宽有限，对于森林防火这类大规模的WSN应用，网络中存在海量无效的冗余数据，这些数据的存在不仅对火灾监测毫无意义，而且会加剧数据对无线通信信道的争夺，使得网络的传输效率、寿命以及网络数据的准确性急剧下降。而在众多的解决上述问题的方案中，数据融合是其中一项关键技术，该技术通过对无线网络节点采集到的不同时空的数据进行融合处理，能够有效消除WSN中无效的冗余数据，同时可以得到比单个传感器节点更准确、更符合需求的信息。在本文中，针对在林火监控应用中存在的问题，提出了一种分层聚簇数据融合算法，来实现WSN在野外火灾预警中的节能、实时、可靠性需求。簇内传感器节点首先使用自适应加权融合算法（AdaptiveWeighted Fusion Algorithm，AWFA）对原始传感器数据进行数据级融合处理，消除原始数据中的冗余成分，减少从簇内传感器节点到簇头节点的数据传输量；簇头节点采用D-S证据理论建立识别框架，通过对本簇成员的反馈信号进行决策级融合处理，从而得到对火灾的全局最优概率估计，进一步消除了网络中的冗余信息，同时提高了对森林火灾的识别精度和WSN的鲁棒性。同时我们还提出了一些火灾预警的辅助性算法，包括异质传感器数据同质化的方法，节点传感器数值错误的判断算法，以及D-S证据理论证据冲突的解决方法。实验结果表明，本文算法不仅可以及时有效的对同一时间不同空间的感知数据进行压缩提纯处理，可有效消除的冗余数据，大大节省了网络带宽和能量；同时提升了网络的鲁棒性，使WSN网络能够在失效传感器节点数不超过总节点数40%的情况下正确工作，从而保证了野外火灾预警的及时性和准确性，提高了林火监控系统决策的科学性。