无线传感网络(Wireless Sensor Networks,WSN)作为无线通信和传感器技术的融合产物,已深入人类生活的方方面面,但在WSN为人们带来便利的同时,其自身也存在局限性。首先传感器节点采集数据在相邻时间段和相邻空间领域上有很大的相似性,这会产生数据冗余度高、数据传输量多、网络能耗大的问题;其次WSN的处理资源受限,传感器节点往往利用电池供电,但更换电池任务困难,能量无法得到补充。因此,在面对海量的激励输入和资源受限的情况时,如何在保证数据精确度的同时,提高资源的使用效率,以减少网络能源的消耗是研究重点。本文研究的主要工作介绍如下:首先,详述数据融合模型以及相关数据融合算法;针对WSN面临的大尺度、高复杂度以及处理资源受限的挑战,本文利用人类智能感知系统的注意力机制,分析构成注意力的自顶向下和自底向上信息各自的特点与作用,并研究如何在无线传感网中将二者信息有机结合,提高系统处理显著信息的能力。其次,为解决WSN节点采集数据冗余度较高的问题,论文第三章提出了一种基于回归模型预测的WSN数据融合算法。通过对滑动窗口内感知时间序列进行分析,建立线性回归预测模型。针对数据在不同时刻的波动情况,引入滑动窗口机制对模型进行分段,从而较好地拟合传感数据。根据模型参数和给定误差检测模型有效性,动态更新预测模型。该算法提高了数据处理效率,降低了数据冗余度和网络能量消耗。再次,通过学习和模拟人类智能感知系统中的注意力机制,论文第四章提出了一种基于贝叶斯框架的注意力机制,用于模型更新。利用预测模型的自底向上信息对异常数据进行处理,同时添加与用户需求相关的自顶向下信息提高数据表达效率,通过构建的注意力机制为时间序列估算显著度,根据显著度动态调整误差阈值以改变模型精度。该方法通过分析用户需求,按照数据重要程度动态更新模型,保证重要数据能够得到及时处理和传输,减少数据总体的发送量,从而在处理资源受限条件下实现场景的弹性感知。最后,针对传感器节点向Sink节点直接传输数据耗能较多且相邻节点采集数据冗余度高的问题,在第四章方法的基础上,对LEACH路由协议进行改进。首先对簇内成员节点采集的数据,利用拉依达准则剔除异常数据;然后在簇首节点处,对来自簇成员节点的数据进行自适应加权融合,对融合后的数据序列建立有效的预测模型并利用注意力机制更新模型,根据数据重要程度动态调整模型精度。最后,簇首节点传输模型参数至Sink节点。该方法能够在满足一定数据精度的前提下,有效地延长网络生命周期。