无线传感网络(Wireless Sensor Network,WSN)目前已经被广泛地运用到各种军事和民用应用中,如目标跟踪、智能电网、环境监控和健康医疗。但是,监控空区域内WSN节点分布密集且采样频繁,感知数据之间的时空相关性造成数据冗余。大量冗余数据的传输对WSN有限的能量、网络带宽带和存储容量带来了巨大的挑战。数据融合技术能有效地减少冗余数据,提高数据收集的准确性和效率。因此,WSN数据融合技术的研究具有重要意义。本文的主要工作分为以下几点:首先,分别从数据相关性和路由协议两个方面综述了WSN数据融合技术的国内外研究现状。基于数据相关性,将现有的WSN数据融合机制分为时间相关性、空间相关性和时空相关性数据融合算法;基于路由协议,将现有的WSN数据融合机制分为查询路由和网络分层路由数据融合协议。为设计高效的WSN数据融合算法奠定了理论基础。其次,在解决单个WSN节点感知数据冗余度高的问题中,针对传感数据具有长期趋势稳定、瞬间波动较大的现象,本文提出了一种基于双模型驱动的时间相关性数据采集算法。首先,通过对当前WSN节点的感知时间序列进行分析,利用分段线性回归预测方法,建立长期趋势模型;在此基础上,对残差序列进行分析,利用AR预测方法,建立瞬间调整模型;实时检测模型有效性,动态更新模型参数。仿真实验结果证明,针对不同的数据变化率,在满足一定数据精度的前提下,该算法能够有效的减少数据传输量。最后,在解决多个WSN节点感知数据冗余度高的问题中,针对邻近节点之间的感知数据存在变化趋势相似度较高,瞬间波动差异较大的特点,在上述双模型驱动的基础上,本文提出一种二次分簇算法。该算法通过执行两次分簇操作,将WSN内的节点划分成三层结构:第一次分簇过程依据地理位置和剩余能量,借助经典方法,实现WSN内的节点分簇;第二次分簇过程依据不同节点之间趋势模型和调整模型的相似性,并根据数据波动幅度,赋予两模型不同权重,将第一次分得的簇进一步划分成子簇;最后子簇内的节点由代表节点、冗余节点两部分组成,代表节点代表自己和冗余节点上报监控信息,冗余节点不上报监控信息。仿真实验结果证明,该算法在满足一定数据精度的前提下,使整个网络具有更长的生命周期。