多传感器数据融合问题已经引起许多学者的广泛关注。通常,压力传感器都存在交叉灵敏度,其主要表现在传感器静态特性不仅受目标参量的影响而且还受多个非目标参量的影响。由于传感器的输出受多个参量的变化的影响,导致其性能不稳定,测量精度降低。针对温度、噪声、电源波动等多种环境因素影响压力传感器输出电压值这一问题,在阅读了大量的参考文献资料后,经过研究,本文提出了基于电压门限值,对传感器输出电压值进行预处理,然后再利用BP神经网络对数据进行融合补偿,以提高其鲁棒性、容错性、实时性。主要工作如下：1、对数据融合理论进行了较深入研究,对多种数据融合方法进行比较,得到了各自的特点和适用的条件,确定了一种符合本系统需求的合适的融合算法。2、通过对用于数据融合的神经网络输入选取的研究,给出了神经网络输入选取的三个规则：网络实现的数据融合功能、类别可分性及考虑噪声对类别可分性的影响。3、构建了基于BP神经网络的压力传感器数据融合的方法,通过对数据进行多层预处理,以减少噪声等影响；再利用神经网络进行数据融合得到更准确的测量数据,并通过实验数据比较证明了该方法的实用性。