近年来,随着科学技术的飞速发展,对数据处理技术提出了全新的、更高的要求。在多传感器系统中,由于传感器的测试精度、数据的采集成本、系统组成的多种环节以及外部环境等因素的影响,会导致多传感器系统中数据出现不确定性、不完善性以及相关性的问题。传统的数据处理方法,不能满足工程应用中系统对数据处理的快速性和高精度的要求。针对此现状,本文进行了基于神经网络的多传感器数据融合的研究,具体的研究内容如下:(1)在研究BP神经网络处理多传感器数据的问题时,本文使用了基于RS-BPNN模型。首先通过粗糙集(RS)的属性约简算法对系统中的数据进行特征挖掘处理,在不影响融合效果的前提下,减少了系统的数据维度;然后利用BP神经网络对属性约简之后的最小约简进行融合;最后,通过水质等级评价的案例验证了该模型的快速性和准确性。(2)在研究RBF神经网络处理多传感器数据融合问题时,本文使用了PSO-RBFNN模型。利用粒子群优化算法(PSO)寻找最优的RBF神经网络的参数,通过参数优化来提高网络参数的更新速度和精度,建立基于PSO算法的径向基神经网络模型。最后,在空气质量指数案例中验证了该方法的有效性。(3)利用神经网络进行多传感器数据融合,然后利用神经网络融合模型进行传感器故障诊断。利用神经网络的非线性拟合能力,通过多传感器系统中传感器之间的数据相关性性质,利用准确的预测值诊断出传感器的是否出现故障以及故障定位,并对故障传感器的数据进行修复。最后,在发动机实测案例中验证了该方法的有效性。