随着经济的高速发展和城市化的加剧，交通出行越来越成为与国计民生息息相关的重大问题。而解决“行路难”问题的主要手段是推进智能交通建设。在智能交通领域中，实时更新的车流量和平均车速等交通参数的统计数据是司机选择最佳出行路径，交管部门执行车辆疏导等职能的重要依据。甚至智能交通系统中一些交通信号系统也根据交通情况实时地调整控制信号。 但是现有的交通参数采集系统往往只被安装在有限的主要路段和交叉路口上，无法有效地满足智能交通系统对交通信息全面、实时、精确、高可靠性的要求。并且安装维护困难，难以大规模部署。随着微电子技术进步和器件成本的逐步下降，基于微传感器的环境检测正变得日益普遍，无线智能传感器在车辆检测中的应用也正进入原型阶段。这为解决智能交通中的数据采集问题带来了新的可能性。 多传感器数据融合是无线传感网络的一个重要的研究领域。它被用来对不同来源的信息(包括多个传感器获取的数据和相关的先验知识)进行关联、相关、综合、解释和评估，产生可被有关用户直接应用的信息或数据。由于单个传感器在性能和适应性上都各有利弊，而数据融合技术能够利用多传感器协同感知的优势提高整个传感器系统的有效性，并消除单个传感器的局限性。因而，在交通数据采集领域引入数据融合将到事半功倍的作用。如何将数据融合更好地与现有的车辆检测技术相结合是本文试图解决的问题之一。 本论文从两方面入手，试图把无线传感网应用于交通数采集之中：1)提出了一种基于磁敏传感器的在线车辆检测算法；2)并在些基础上探讨了传感网络中多传感器多模式车辆检测信号间的数据融合问题，就基中几个关键环节提出有效的解决办法。 首先文章研究和探讨了目前几种比较经典的磁敏车辆检测算法，在此基础上分析其缺陷和不足，提出了一个改进的在线车辆检测算法，VRPLA，并使用多个样本库进行了仿真测试，通过所得结果可以看出，改进后的在线车辆检测算法在保证检测精度的前提下，使检测结果更为稳定，并且计算复杂度也保持在较低的水平。 随后本文阐述了多传感器数据融合的相关概念，以及其中使用的主要结构模型和技术，接下来着重介绍目前系统中主要应用的决策级融合方法：即Bayes方法和Dempster-Shafer证据理论。在比较了两种融合方法的优越性和局限性之后，文章在车辆检测应用的背景下，以基于D-S证据理论的数据融合几个关键环节为主线，提出了一个将视频样本预处理结果转换为基本概率分配函数的方法，并从车辆检测结果的特征出发，给出了一个简单而行之有效的数据关联算法。仿真实验表明，结合文中提出的证据转换方法和关联算法，使用证据理论的数据融合模型可以实现对被检测对象更为精确的划分和识别，从而提高了整个检测系统的鲁棒性和准确性。