可穿戴无线传感网络节点一般使用电池供电,能量补给受限,同时,数据冗余量大,相互矛盾数据较多。数据融合技术可以有效减少数据传送阶段的通信量,降低传感节点的能量损耗,延长传感网络的生命周期。本文主要研究基于神经网络及模糊神经网络的数据融合方法。为了提高学习算法的收敛速率,解决网络收敛振荡问题,本文提出一种动量项-学习速率自适应的反向传播学习算法(A Momentum Adaptive Learning Rate Algorithm, MALRBPA) o以解决二维异或问题为背景,将MALRBPA算法与标准学习算法以及传统改进型学习算法收敛速度进行比较,采用MALRBPA学习算法的神经网络收敛速率更快。将改进型BP神经网络与无线传感网络分簇路由协议(LEACH-F协议)进行结合,提出一种改进的BP神经网络数据融合算法(A Back Propagation Neural-Network Data Fusion Algorithm, BPNDFA),在传感网络簇内,对采集的原始数据进行数据拟合,将数据的特征向量值进行CDMA编码并发送给汇聚节点,以实现加快网络学习训练的收敛速度,减少节点数据通信量的目的。仿真实验表明,与传统的BP神经网络数据融合算法相比,BPNDFA算法降低了节点能耗,延长了网络生命周期。在监测人体特征参数等方面具有较好的准确性、有效性以及实时性。本文最后采用T-S(Takagi-Sugeno)结构的模糊推理系统,使用MALRBPA算法及模糊规则训练模糊神经网络,同时引入无线传感网络分簇路由技术,提出一种基于模糊神经网络的数据融合算法(A Fuzzy Neural networks Data Fusion algorithm, FNNDFA),仿真实验表明,相比传统的基于模糊神经网络的数据融合算法,FNNDFA算法有较高的网络收敛速率及预测准确度,能够降低可穿戴传感节点能耗,延长网络寿命,适合参数指标没有确定值而是一个模糊范围的可穿戴无线传感网络。