随着我国老龄化进程的不断加深，因老年人自身疾病和生理机能衰退等原因所导致的失能老人数量在不断增加，同时在医护资源相对短缺的状况下，失能老人的长期排泄护理需求已是当今社会急需解决的问题，所以护理压力的加重加速推动了人工智能技术在养老产业的应用发展，使得以智能护理床为核心的老龄排泄护理成为解决失能老人传统护理引发伦理问题的新手段。但目前护理床在排泄护理方面存在诸多问题，感知能力较差，大多采用单一的传感器对排便进行监测，准确率不高而且易引发误报或漏报的问题。本文针对此问题，提出利用多个异质传感器的数据信息，通过多传感器数据融合技术提高智能护理床排便监测的识别准确率。主要内容如下：
　　首先对多传感器数据融合技术进行系统研究，分析了相关融合算法，提出采用一种分层分布式的护理床排便监测模式，并构建了神经网络与改进的D-S证据理论相结合的两级数据融合模型。
　　其次对智能护理床的整体结构作了简要介绍，详细分析设计了智能护理床坐便器转换装置的机械结构，从而确定了传感器的选型和安装位置，搭建了基于STM32的数据采集系统对温湿度传感器和氨气传感器信息进行采集，并对实验数据进行了预处理，为算法的研究做了基础准备。
　　然后研究对比了BP网络、RBF网络和Elman网络性能的特点，分析了其各自的优化学习算法，并利用样本数据对三种优化的神经网络进行仿真验证，同时为了避免单一神经网络在构造基本信度分配时的主观性，最终确定了L-MBP网络、PSO-RBF网络和Elman网络算法作为特征级融合的方法。
　　最后针对传统的D-S证据理论在处理高度冲突的问题时会得出悖论的结果，本文研究了基于修正余弦相似度和信度熵的证据合成算法，构建了改进算法的优化模型，首先运用修正余弦相似度度量证据之间的相似性，再通过信度熵测量证据本身的信息量，最后对证据权重进行重新分配获得最终的融合结果。经Iris标准数据集验证，本文提出的改进算法准确率更高，不仅考虑了证据之间的相互作用，还考虑了证据本身的影响。将神经网络与改进的D-S证据理论相结合的数据融合算法应用于智能护理床排便监测中，经仿真分析，本文提出的算法对排泄状态A1的识别准确率达到了0.9825，不确定性精度也大大降低，优于其他改进算法。结果表明本文提出的数据融合模型应用于智能护理床排便监测是可行的。
　　本文研究的一种基于数据融合的智能护理床排便监测算法，降低了其他结果对最终决策的干扰，具有更好的辨识性，增加了排泄处理系统工作的可靠性，为智能护理床的准确识别监测提供了重要理论依据。