近年来,无线传感器网络中感知实体的传感技术和感知决策的智能技术作为物联网的核心内容,引起人们的广泛关注。无线传感器网络在多个领域产生了大量的感知数据,对这些数据进行分析处理,有助于对客观事物做出正确的决策。针对传感器数据跨模态、时序性、不完整以及大容量给数据融合带来的挑战,研究有效的数据融合模型可以从原始感知数据中提取准确有用的关联特征信息,并在全局视图中实现较好的系统性能。本文结合神经网络算法,对无线传感器网络中的数据融合进行研究。主要内容如下:（1）基于多模态时序数据的关联特征融合算法针对无线传感器网络中数据关联特征提取和时间序列处理问题,提出一种多模态时序数据融合模型。首先,利用多模态堆叠稀疏自动编码器进行模内模间学习,获得良好的共享表示。然后,将获得的共享表示输出作为长短期记忆网络的输入,充分探索时间序列数据的发展规律。最后,运用逻辑回归进行分类训练,进一步简化了预测模型的结构复杂度。实验证明该算法行之有效,并且取得了良好的性能。（2）基于不完整感知数据的深度自编码融合算法针对传统多模态数据分析算法均是在完整数据上进行的,当数据中包含不完整实例时算法将变得无效这一问题,提出了一种深度自编码融合模型。首先,提出新的学习目标函数,该函数中包含缺失值。然后,使用深度自编码模型捕获读数中的潜在特征表示并完成数据插补。最后,加入门控循环单元模型,并利用不完整数据的特征表示直接预测新模态读数。实验证明该算法行之有效,并且取得了良好的性能。