我国企业生产中的原料或成品通常具有易燃、易爆、有毒等特性,易引发生产安全事故,已经严重威胁到人民的生命财产安全。早期火灾的探测是降低火灾造成的损失的有效途径,该方法主要是按设定频率采集监测点的相关信息进行融合分析。但是在安全状态下监测点采集的数据存在冗余,这无疑增加了数据融合模型挖掘知识的难度。而传统模糊神经网络融合模型过分依赖专家经验给出的推理规则来构建网络结构,具有主观性。在处理早期火灾监测点的数据时需要重复处理大量相似且冗余的数据,从而导致学习到等量知识需要处理更大规模的数据和花费更高的时间成本。因此,研究更快更好的数据融合方法以解决早期火灾探测中存在的问题具有重要的意义。本文针对早期火灾探测数据的特点,提出了一种将模糊信息粒化理论与模糊神经网络相结合的FIG-NN数据融合方法来弥补传统模糊神经网络处理方法的不足。仿真实验结果表明,FIG-NN方法能够充分满足生产安全监控的需求,它既能充分发挥模糊信息粒化的优势,降低相似的冗余的数据量,加快模型的训练速度,简化推理规则,又能利用模糊神经网络的自学习能力优化网络参数,处理模糊的不精确的数据;基于FIG-NN非图像数据融合模型和BP图像数据融合模型构建的决策融合模型的结果具有更高的可信度,能在降低模型误报漏报率的同时提升模型的容错能力。此外,本文改进了CoAP协议用以改善本课题中资源受限设备间的通信问题,并基于改进的CoAP协议设计与实现了一套通信子系统,为上述数据融合分析的数据来源奠定了基础。本文通过改进CoAP消息格式,省去了数据的JSON/XML序列化和反序列化处理环节,降低了资源受限设备的资源消耗。同时,本文还基于OAuth2.0在数据中心设计实现了开放RESTful API提供安全的数据服务,保证了数据中心的安全性。本文基于FIG-NN的融合模型是模糊信息粒化理论在早期火灾探测中的一次实践,也是处理训练样本中相似冗余数据的一次探索,对相关领域的研究具有一定的借鉴意义,本文实现的通信子系统在安全监控领域中具有广阔的应用前景。