随着物联网技术的发展,传感器技术的使用越来越广泛。相对于单个传感器系统的不稳定,可信度低等缺点,多传感器系统能够最大限度的获取被探测目标的信息量。多传感器数据融合是将多个传感器所采集到的不准确信息进行检测,关联和估计,降低信息中包含的不确定成份,得到与真实环境最大一致性的处理过程。在实际应用中,复杂多变的目标环境需要使用多传感器技术来进行数据分析,融合与决策。因此,掌握多传感器数据融合的方法和原理至关重要。本文围绕D-S证据理论展开,介绍其理论基础,组合规则,分析其存在的问题以及一些典型的改进方法。最后针对D-S组合规则在处理冲突证据时的不足,提出了一种改进方法并通过实验仿真证明本文算法的有效性和适用性。本文改进方法分为两部分:一、通过计算证据之间的相互支持度和证据之间的相似度,综合度量每个证据的修正参数(折扣因子)。利用修正参数(折扣因子)修正证据,并通过D-S组合规则融合修正后的证据得到相对准确的融合结果。二、以融合结果作为参考证据,重新度量每一个原始证据的修正参数(折扣因子),迭代修正融合,直至最后两次的融合结果收敛为止。实验仿真中通过两组冲突证据的实验对比表明本文方法在处理冲突证据时能正确识别出目标,且识别的概率较高。利用迭代修正方法的优点,提出了一种基于改进方法的多传感器数据融合方法。首先,根据隶属度函数度量传感器之间的相互支持度。然后,利用相互支持度计算每个传感器的可信度和平均可信度,剔除失效传感器,筛选出最优传感器组。最后,根据最优传感器组更新传感器的支持度矩阵以及可信度权重,生成相应的证据。利用改进的方法对生成的证据进行迭代融合,直至收敛。将最后的融合结果作为传感器融合权重,并进行数据融合。实验结果表明基于改进方法的多传感器数据融合具有较好的融合结果,其中自适应剔除失效传感器的方法增强了其应用普适性。