内蒙古的草原生态环境在短短几十年内加速恶化,其破坏程度已严重的影响到我国北方及邻国的生态安全。调查显示,全国有2.6亿公顷的荒漠化土地,其中80%存在于牧区,占牧区草原面积的比重为70%,并呈加速退化趋势。为此,相关部门加大力度治理草原生态环境,同时制订一系列的方案及时监测草原环境。但由于对草原环境监测要求较高,利用传统技术监测草原环境的状况,缺乏一定的实效性,且投入成本较高,耗费大量人力及物力资源。若利用传感器动态监测草原的环境,有益于从科技层面对环境进行监管。但仅使用单传感器会存在一定弊端,诸如因自身的不稳定性、周围环境等的干扰,致使监测数据与真值间存在有误差。将数据融合技术引入到草原的环境监测中,可有效地增强监测结果的精准度,减少产生误判的几率。本文的主要研究内容分为如下几方面:首先是对多源数据融合技术的基本概念、主要的融合方法的介绍,并对国内外学者相关融合方法的使用及应用研究进行阐述。总结常用的数据融合方法的优缺点,重点介绍了本文使用的自适应加权平均、BP神经网络及D-S证据理论的三种融合方法的融合原理及过程。其次,提出了以草原环境监测为背景的两级数据融合模型。该模型首先判断各传感器接收的数据的有效性,剔除疏失的监测值对融合精度的影响。然后运用自适应加权平均法把各区域内同类型传感器的数据融合处理,再利用BP神经网络对该区域异类传感器数据融合。各区域将融合结果发送到网关节点后,进行二级融合。在二级融合中首先通过计算BP神经网络的实际输出结果与期望输出之间的误差,将其作为DS中的基本概率分配赋值,在利用DS合成规则进行决策级融合。从而实现对草原环境的整体决策。最后,针对D-S证据理论中存在的不足,从证据距离和冲突因子入手对该算法进行了改进。最后对实验环境中的土壤温度、土壤湿度、光照强度、二氧化碳浓度以及风速这五个环境参数进行监测,分别利用平均绝对百分比误差及相关系数两个评价指标,验证了两级融合模型的有效性。然后对比本文改进的算法与经典算法的计算结果,证明了本算法的概率累积体现更明显,且与预期结果一致,说明了改进方法的优化效果。