目前,在中国制造2025规划下我国工业化正处于转型的重要阶段,在工业生产中危化品气体泄漏已经成为了威胁人类生命安全的主要危险之一,因此对危化品气体的浓度监测及检测成为人们日常生活中不可或缺的安全防范手段。由于单一的气体传感器处在选择性差和交叉敏感的特点,不能满足危化品气体浓度检测精度的要求。因此针对危化品气体检测的多传感器数据融技术的研究具有重要意义。本文通过了解最为常见的危化品气体环境,选择以CO气体和CH4气体混合构成的危化品气体作为检测分析对象,通过对传感器的原理特性分析选取合适的半导体式气体传感器,并进行多传感器2*2阵列和2*3阵列规划。根据传感器使用要求及阵列规划完成了危化品气体检测平台的搭建,利用检测平台进行了不同组分混合危化品的检测实验并得到相关实验数据,利用单一气体环境下的检测数据对每个传感器进行标定,本文采用BP神经网络算法和广义动态模糊神经网络（GD-FNN）作为数据融合算法,GD-FNN算法不仅能对模糊规则而且能对输入变量的重要性作出评估,从而使每条规则的输入变量的宽度可以根据它对系统性能贡献的大小实施在线自适应调整。基于两种算法构建4个多传感器阵列数据融合模型,以实验检测数据为训练样本对4个模型进行训练和测试,最后通过融合结果分析不同阵列及不同数据融合算法的优缺点。实验结果表明,通过用传统标定方法拟合得到混合危化品气体浓度值误差很大,不适合作为混合危化品气体检测的数据处理方法。通过对比测试样本的不同模型融合结果可以发现,2*3阵列融合模型相对于2*2阵列融合模型具有相同的误差等级,并没有明显的阵列优势,利用BP神经网络建立的危化品气体传感器数据融合模型融合结果误差较大,而利用广义动态模糊神经网络（GD-FNN）算法建立的危化品气体多传感器数据融合模型融合结果误差较小,可以很好的实现融合值与真实值的拟合,更适合作为本论文中气体检测环境的多传感器数据融合算法。