长期以来,我国企业生产安全事故诸如火灾爆炸泄露等问题层出不穷,这和企业生产现场的生产设备以及环境状态是息息相关的。当前,业界相关研究人员越来越重视起对企业生产过程中的设备及环境状态的监控,尤其是对设备参数和环境变量的采集、处理以及分析工作,希望能够通过上述操作来达到预防事故发生或在事故发生后能够作出及时有效的解救措施。本论文以广东省产学研省部合作项目为依托,针对我国当前企业生产安全现状,调查和分析企业生产过程中常见的火灾爆炸泄露事故成因以及相关的监控技术在国内外研究与应用现状。在本论文的研究过程中,分别涉及到了物联网、无线传感器网络(WSN)、多传感器数据融合等相关理论技术。首先,鉴于WSN具有很强的应用相关性,本论文根据企业生产环境以及实际需求,分别对监控系统的硬件平台、通信协议、目标功能、实施方案、监控机制等进行了详细的分析与设计。然后,本论文对基于WSN企业生产安全监控中的多传感器数据融合技术展开了详细的研究与探讨,采用只需满足比贝叶斯理论更弱条件的D-S证据理论作为融合算法,并使用柯西模糊理论中的隶属度概念解决了D-S证据理论中的基本概率的赋值难题,通过这种决策层的数据融合算法对企业生产安全监控系统中各传感器采集到的特征数据进行融合,以此对现场环境状态作出最佳决策。此外,为了降低证据之间的相关性以更好地使用D-S证据理论进行数据融合,在数据融合的特征层采用了BP神经网络将原始数据对目标状态的隶属度进行训练,并通过仿真实验和具体的数据计算验证其有效性。接着,本论文针对D-S证据理论的不足和BP神经网络的缺陷进行了改进,同时通过MATLAB实验平台进行了仿真实验和结果分析对比,将优化改进后的D-S证据理论和BP神经网络相结合建立数据融合模型,充分发挥两者各自的优势,处理和分析企业生产安全监控数据,作出更佳的决策判断。最后,总结了本论文所做的研究工作,并对未来的研究工作作出了展望。