火灾的发生不仅给自然环境带来严重的灾害,还对人类的生命和财物造成了严重的威胁和重大的损失,然而经济的快速发展和人们各种社会活动的不断增多,给火灾的发生带来了更多的可能,因此,我们更需要做好火灾的各种防范工作。火灾是一种发展速度快,在空间上和时间上都是失去控制的一种灾害,在火灾发生后再进行扑灭工作,会耗费较大的人力物力和财力。为了尽可能的减少火灾所带来的危害和损失,对火灾进行灾前预警并采取相应的防范措施具有重要的现实意义。灾前预警是对不确定性事件进行预测的过程,贝叶斯网络则是人工智能学科中处理不确定性问题的一个新兴分支,在处理不确定性事件的过程中有其独特的优点,可应用于有条件依赖多种控制因素的相关问题。传统的火灾预警研究,大多都采用单一信息源离散化的方法。但单一信息源和离散化信息造成了火灾信息片面性和火灾信息缺失的情况,间接影响了火灾预警的真实性和可靠性。根据多传感器信息融合技术和贝叶斯网络处理连续多传感器信息的优势,本文采用一种高斯贝叶斯网络混合模型来融合多信息源火灾数据,并建立相应的贝叶斯网络火灾预警模型来作出火灾发生的决策判断,该方法克服了离散化数据造成的信息缺失和单一信息源造成的信息片面性,具有较好的科学意义和实用价值。主要研究内容如下：(1)分析火灾发生前周边环境的各种物理量信息,并判断多控制因素之间的影响关系,确定贝叶斯网络火灾预警模型的拓扑结构。(2)采用多传感器信息融合技术对影响火灾的多控制因素进行采集和预处理,并利用高斯分布可以处理连续信号的特征,建立高斯贝叶斯网络模型对多源火灾信息进行决策融合。(3)采用MATLAB平台进行仿真实验,通过与传统火灾预警模型的对比,判断改进的网络模型对火灾预警的有效性和准确性。本文研究的创新之处：单一信息源离散化数据影响了火灾预警的准确性,文中提出的高斯贝叶斯网络多传感器信息融合模型能够较好的处理多传感器连续型火灾数据。从多方面采集影响火灾的信息、,并对火灾的多控制因素进行连续型数据融合。不仅改善了单一信息源的局限性,避免了离散化数据的信息丢失,还提高了火灾预警的真实性和有效性。