钢筋混凝土腐蚀是影响建筑物结构耐久性的主要原因，当今社会钢筋混凝土的应用非常普遍，腐蚀会带来一系列的经济问题、资源问题和社会问题，因此及时获取建筑物中钢筋的腐蚀状况显得尤为重要。针对当前钢筋混凝土腐蚀检测传感器单一、腐蚀程度识别精度不高等问题，本文应用多传感器检测系统对钢筋混凝土进行腐蚀检测，利用自适应卡尔曼滤波算法对特征参数降噪，建立多传感器检测识别数学模型，实现钢筋混凝土腐蚀检测的信息融合。
　　多传感器信息融合是利用传感器检测技术、数据滤波技术和神经网络识别技术等对钢筋混凝土的腐蚀情况进行及时的监控和评估，本文所做的研究工作包含以下内容：
　　(1)钢筋腐蚀检测数据滤波方面：改进传统的卡尔曼滤波算法，利用最大概似估计准则，分别设计测量噪声、系统噪声和状态预测协方差估计器，实现估计模型的动态调整，降低检测系统中传感器测量噪声和系统噪声的干扰。
　　(2)钢筋腐蚀程度识别方面：建立模糊神经网络数学模型，针对传统粒子群算法(PSO)在处理复杂搜索问题中容易提早收敛，局部寻优能力较差等问题，提出了PSO算法中惯性因子的调整方法，将改进的PSO算法优化模糊神经网络，并给出了粒子的位置收敛性和速度收敛性分析。通过改进的PSO算法得到优化的神经网络连接权值，提高算法的搜索速度和训练效率，降低钢筋腐蚀识别误差。
　　(3)在此基础上，本文设计基于多传感器信息融合的钢筋混凝土腐蚀检测系统，该系统包括硬件设计和软件设计。硬件电路设计包括传感器信号采集电路、模数转换电路以及无线通信电路等，实现对钢筋腐蚀参数的数据采集；检测系统软件部分的开发包括下位机设计和上位机设计，利用多传感器信息融合算法，实现钢筋腐蚀参数的实时人机交互。
　　(4)通过实验对本文提出的多传感器信息融合算法进行验证，实验表明钢筋腐蚀检测系统参数测量精度得到提升，降低了钢筋腐蚀程度识别模型的预测误差，从而验证了多传感器信息融合算法的可行性。