数据融合(data fusion)技术其实就是对人脑信息综合处理模式的一种模拟。其基本原理就是对来自不同源、不同时间、不同表达方式和不同模式的多局部环境的不完整的信息加以综合，以消除局部观测点在时间上或是空间上存在的冗余或矛盾，并加以互补，降低其不确定性，以形成对被测目标的更精确的一致性的描述或解释，使整个系统具有更加优越的性能，以完成所需要的决策和估计任务。在实际中，应用广泛，研究它很有意义。　　 本文以数据融合过程为依托，进行了一系列的算法研究，最后应用于滑坡数据的处理中。本文主要内容共分为四章，章节安排如下：　　 第一章，首先论述了关于数据融合的研究背景与意义。并对数据融合的研究现状，特别是在滑坡中的应用进行了较详尽的介绍。之后，对用于本文实验的巫山监测站所获得的玉皇阁滑坡数据进行了相关介绍，此外，还概括了本文主要的研究内容以及采用的技术路线。　　 第二章，对融合系统中数据预处理方法进行阐述，比如异常值的处理。并将实际的数据处理运用于滑坡中。由于常规的异常处理会丢失一部分信息，从而建议使用数据平滑方法。在该章节中，介绍了两种平滑算法，其中对基于最小二乘的正交多项式的平滑算法进行了较为详尽的介绍与推导。　　 第三章，对融合系统中数据关联方法展开讨论。介绍了K-均值聚类，双向标准化聚类以及基于Bhattachharyya距离的三种数据关联算法，并通过实验比较三者的优缺点和各种方法的适用性。　　 第四章，对误差修正和融合展开讨论。主要介绍了基于小波分析和神经网络自适应的误差修正方法，以及基于模糊数学，主成分和时间序列自助融合的三种融合算法。其中，人工神经网络自适应误差修正技术能够将误差控制在很小的范围以内，而且其输出的曲线具有很好的拟合性，非常逼近于目标曲线。而基于时间序列自助融合方法能够刻画目标的某些瞬时特征，很好的利用了各个监测的数据信息，该方法用于滑坡数据融合处理中具有很好的研究和应用前景。　　 最后，对本文的主要研究结果进行了总体的概括，并给出了一些不足之处和以后有待完善的问题。