森林火灾会给人们的生命和财产安全造成严重的威胁,林火监测是预防火灾发生的重要手段。但现有的林火监测技术普遍存在监测周期长、监测灵敏度低、实施难度大等不足,无法满足人们对林火监测的需求。无线传感器网络(Wireless Sensor Network,WSN)凭借其成本低廉、灵活性好、自动化程度高等优点,在森林防火方面具有较好的应用前景。数据融合技术在处理WSN数据智能处理方面具有明显的优势。因此,本文将针对WSN在森林火灾监测中的应用进行研究。论文在分析了火灾发展过程特征的基础上,选取温度、烟雾浓度及CO浓度作为本文林火监测的参考指标,提出一种基于WSN的两级数据融合方法,提高林火监测的及时性和准确性,论文的主要工作如下:1.第一级数据融合的主要目的是完成火灾预判和数据去冗余。基于对火灾过程特征的分析,本文提出火灾支持度概念,并在此基础上提出一种基于火灾支持度加权的数据融合算法。传统的数据去冗余算法是在同类传感器上进行数据融合,对初期火灾的识别灵敏度较低。本文针对这一问题提出一种基于火灾支持度加权的融合算法,该算法可以对异类传感器数据进行融合,并考虑被监测指标的变化特征,能有效提高初期火灾探测的灵敏度,从而提高火灾识别的及时性。2.在第二级数据融合中,本文在分析了单一D-S证据理论或粗糙集理论应用于林火监测中存在的不足的基础上,提出一种结合D-S证据理论和粗糙集理论的数据融合算法。论文从理论角度证明了算法的可行性,同时还对D-S证据理论中存在的证据冲突问题及粗糙集理论中存在的数据离散化问题给出解决方案。新算法可以弥补D-S证据理论初始函数赋值易受主观性影响的缺陷以及粗糙集理论决策解决不确定的缺陷,得到更加客观,有说服力的决策结果。3.通过对中国标准试验火数据进行仿真,证明本文所提出的数据融合算法在林火监测的及时性和准确性上均有一定提高。