无线传感器网络(Wireless Sensor Networks: WSN）是一种由大量传感器节点构成且以数据为中心的无线自组网，能够实时地监控、收集和处理信息，具有广阔的应用前景。然而，无线传感器网络的节点常面临着资源的制约以及安全威胁。由于原始感应数据传输到基站节点通常需要经过数据收集和数据融合传输两个阶段，在数据收集阶段采用基于预测的数据收集方法对数据进行处理，可有效减少节点间的通信次数、降低能源损耗；同时，对收集的数据进行融合操作并在融合传输阶段采取适当地安全保护策略，可有效提高网络安全性，保证融合结果安全到达基站。基于自回归AR(p)时间序列预测模型的数据收集是一种有效缩减无线传感器网络簇头节点和簇内叶节点间的数据通信频率、降低节点能耗的方法。然而AR(p)模型在建模过程中忽略了不同时期的历史数据对预测值的影响存在的差异，导致模型预测精度不高、网络通信频率受影响的问题，对此，本文提出一种改进的自回归预测模型FAR(p)。在AR(p)模型中引入适当的模糊隶属度函数，通过模糊隶属度函数对预测模型的每个历史建模数据赋予权值，以弱化数据序列中早期数据对预测值的影响，强化近期数据对预测值的作用，并经二次加权平均弱化缓冲算法处理后重新构建预测模型来进行数据收集。最后通过仿真结果证明，FAR(p)预测模型有效地提高了模型预测精度，减少了传感网络中数据通信次数，并降低了能量消耗。同时，考虑到簇头节点在对收集的数据进行融合并层层上传融合结果的过程中面临着严重的安全问题，本文提出一种新的能在融合结果保密的情况下对数据在传输过程和融合过程的完整性分别及时验证的数据融合安全保护算法HEHMAC。HEHMAC算法通过采用同态加密传输机制来保护数据隐私，同时避免节点对数据进行逐跳加解密的操作，可有效提高数据保密性、降低计算和通信能耗；同时采用同态消息验证法对融合结果的完整性进行逐跳验证，能实时鉴别数据在传输过程中和融合过程中的完整性，并及时丢弃虚假数据，减少不必要的通信能耗。最后通过实验对比和理论分析验证了HEHMAC算法的安全性和有效性。