随着科学技术的发展和现代工业的需要,数据融合作为一门新兴交叉学科在近年来得到了广泛关注和飞速发展。数据融合技术能够综合多个传感器提供的互补和冗余信息,获得观测对象更全面、更准确的信息,从而得到准确、快捷的决策和判断。针对工业现场传感器状态类型复杂多变、被测参量难于准确可靠获得的问题,本文提出基于RBF神经网络和证据理论的两级数据融合方法。本文首先对数据融合的基本原理、概念进行了阐述,并对数据融合的关键技术,常用融合算法进行了分类总结。分别对数据融合算法、神经网络方法和证据理论方法进行了详细的阐述,同时对神经网络的结构设计进行了深入研究,对神经网络和证据理论方法优缺点进行了分析,具体内容概括如下:在分析了数据融合的层次和模型结构的基础上,构建了RBF神经网络与证据理论的两级融合的体系结构和功能模型,整个融合体系分为数据层、特征融合层、决策融合层,此融合体系为数据融合方法的研究提供了框架基础。基于RBF神经网络的特征层融合,研究了RBF神经网络的基本原理、拓扑结构和映射关系,对RBF神经网络的训练方法进行了对比研究。将传感器采集的工业现场数据预处理后输入RBF神经网络,得出精确融合输出结果。此外,网络输出还作为决策层证据理论的初始证据,再进行证据组合规则融合计算,得到每个传感器状态的信任度。基于D-S证据理论的决策层融合,用于判断工业现场传感器的有效工作状态,详细分析了D-S组合规则、不同识别框架的组合原理、算法等;研究证据理论决策方法,并用实例对证据理论做了进一步验证。把RBF神经网络和证据理论相结合的两级数据融合方法应用于木材含水率检测系统,经研究验证,结果表明该方法可有效消除环境温度对木材含水率输出值的影响,并可正确定位失效传感器,准确分离出失效传感器。