无线传感器网络在近年来发展迅速，它是由多个学科交叉形成的，综合了嵌入式技术、传感技术、分布式技术、无线通信技术以及现代网络等多种技术，是一种全新的信息获取平台。传感器网络的特点决定了信息融合技术是无线传感器网络研究的热点。信息融合可以在能量和通信方面实现高性能、低成本，对传感器网络的研究有重要的意义。首先，本文从解决传感器网络不确定信息入手，建立了无线传感器网络的信息融合物理模型。通过对这个模型的分析，本文深入研究了一种可广泛应用的有向静态概率图模型，并给出了它的表示、信度消息传递的原理和过程，据此提出了参数学习的改进算法，在仿真环境中建立了传感器网络的系统。其次，对改进的算法的性能进行了测试及仿真，验证了新模型的可行性，证明了静态概率图模型对于处理不确定性信息是有效性的。静态模型不能处理随时间变化而状态改变的对象，需要使用动态模型进行处理。本文在静态模型的基础上提出了动态模型——分布式连续贝叶斯估计方法，它可在无线传感器网络中传输信度状态，用新传感器节点的采集值对信度进行更新。由于传感器节点能源和计算能力的限制，信度表示是模型研究中的关键。针对建立的动态模型，本文使用的信度表示方法是高斯逼近法和线性组合多项式高斯逼近法（LPG函数逼近法）。通过实验，对所提出的动态模型的性能进行了测试。在对两种信度方法进行分析时，本文得出LPG算法更能缩短响应时间，同时降低了传感器之间协作的能耗，表现出更为良好的性能。