随着传感器、计算机技术、无线通信等技术的发展,无线传感器网络(wireless sensor network, WSN)成为当前的热门研究之一。本文介绍了无线传感器网络的结构,分析了无线传感器网络的特点,并针对无线传感器网络的特点叙述了无线传感器和无线传感器网络技术的发展方向。无线传感器网络具有传感器节点多、数据的时间和空间相关性高、单个节点资源有限等特点,数据融合技术能大幅度减少传感器节点的通信负担,减少能耗,延长单个节点的寿命,提高无线传感器网络的数据采集效率,增加信息的准确度。有关数据融合的研究很多,大部分都集中在应用层和网络层。本文从基于生成树的数据融合、消除时空相关性的数据融合、路由驱动型数据融合、基于分布式压缩的数据融合和基于预测的数据融合五个方面对数据融合技术做了简介,并详细叙述了基于预测的数据融合：预测模型进行数据融合的具体流程,以及概率模型、自回归模型、卡尔曼滤波器这三种基于预测的数据融合技术。目前在预测模型方面的研究多集中在多种预测方法的结合,只有预测性能差到一定程度才会根据反馈数据更新预测模型和参数,对此本文提出根据具体环境及时调整预测模型。本文以气温为例分析时序的特点,发现天气状况对数据的影响是十分明显的,每个数据的产生都有一个对应的天气状况。本文提出将环境对数据的影响力定义为数据属性并给出了计算和更新数据属性量化值的具体方法,在预测模型的算法中增加一个数据属性项,把环境对数据时序的影响作用计算在内,提高了预测模型对环境的反应速度。为了验证数据属性项在提高预测模型性能方面的作用,本文以自回归模型和卡尔曼滤波器模型为例,给出相关参数(数据属性的更新系数和权重系数)的设定范围,以气温时序为数据基础进行仿真实验。实验结果显示增加数据属性项后,从更新率和预测误差两个方面(预测性能的重要评估指标)有效地提高了预测性能。为了进一步降低更新率,本文还采用遗传算法来优化参数,实验证明经过参数优化后模型的预测性能得到更显著的提高。