传统的探测方法大多通过采集单一的火灾特征参数信息进行判断和识别,但由于干扰因素多,其误报率一直比较高。针对火灾信号的非结构性特点而提出的基于智能信息处理方法的火灾探测系统具有自学习和自适应能力,已成为现在火灾探测技术的研究方向。本文以重庆市森林健康监测系统开发课题为背景,结合缙云山森林特点,提出了两种基于数据融合技术的火灾探测二级融合系统。基于BP神经网络和证据理论的二级数据融合系统和基于证据理论的二级数据融合系统。两种融合系统的提出是基于两种不同的融合思想,第一种融合系统的提出是基于利用神经网络解决非线性结构性问题的考虑；第二种融合系统的提出是基于降维和统计的思想。在构建二级融合系统之前,本文对神经网络和证据理论的基础理论进行了深入的研究。由于BP神经网络是目前最成熟,训练精度高且泛化结果令人满意,也是应用最多的一种网络,所以本文试图选用BP神经网络来解决非线性结构问题。但是由于传统的BP学习算法存在收敛速度缓慢、易陷入局部极小等缺陷,笔者在综合学习了多种改进的学习算法的基础上,结合应用背景,采用基于L-M的改进学习算法来实现对神经网络的学习训练,并且通过仿真实验表明,采用改进后的学习算法收敛速度有了很大的提高。一直以来,对于D-S证据理论的研究主要集中在以下三个方面：①基本概率赋值函数的构造；②高冲突证据的融合规则；③证据合成过程中的组合爆炸问题。结合应用背景本文着重研究了前两点,构建了经验数据库,并在此基础上提出了一种构造基本概率赋值函数的方法；针对高冲突证据融合的问题,总结分析了国内外相关典型文献的改进思想,综合考虑算法实现及算法复杂性,选择了一种有效的融合规则改进方法,并将其应用到二级融合系统中,并在具体实验中证实了该方法的有效性和实用性。