随着汽车行业的快速发展,人们对汽车的需求已经不在局限于传统汽车的功能,网联自动驾驶、智能汽车已经成为业界关注的焦点。智能汽车的安全行驶需要依赖于规模庞大的车载-路侧传感器网络。如何保证传感器网络中各个节点的感知信息有效的处理与融合,对网联自动驾驶有着至关重要的影响。因此,节点感知信息的融合以及各个节点间的分簇是本文的主要研究内容。在单个节点的多传感器信息融合方面,如何有效地融合节点上不同传感器感知的异构感知信息是本文第一个的研究方向。本文首先将异构感知信息抽象为一系列向量,向量具有统一的表现形式,并将它们映射到相应的自动驾驶决策。然后,我们基于改进D-S(Dempster-Shafer)证据理论来对抽象感知数据进行融合,既减小了计算负载,同时也提高了融合结果的准确度。在传感器网络节点分簇方面,结合网联自动驾驶区域范围大,车辆节点数目多,区域内节点分布不均匀以及网络拓扑动态变化的特点。本文将整个网联自动驾驶的区域分为多个子区域(簇),然后对子区域内各个节点的感知信息进行处理。并提出一种基于加权多宽度高斯核函数的区间型模糊C均值聚类算法,来实现动态传感器网络节点的分簇。加快了边缘计算中心对来自节点的感知信息的处理速度,更准确的聚类得到更精确的处理结果进而向各个车辆节点反馈更可靠的驾驶决策信息。