近年来,传感器网络中的数据量呈指数增长,数据融合技术是减少数据传输量和节约节点资源的主要手段。考虑现有传感器节点有限的计算能力和能量资源,本研究分别对时间序列数据和多媒体数据两种不同数据结构设计数据融合模型。具体工作内容如下:1.针对现有传感器数据融合未考虑时空冗余导致通信成本较高的问题,研究一种基于聚类和预测算法的数据融合模型,保证无线传感器网络的数据精度并节约节点能源。在训练阶段,利用历史数据训练一个在线循环极限学习机,并对节点进行聚类,基于实际地理距离得到节点强连接。在数据融合过程中,终端用户和传感器节点使用相同的预测机制预测未来的传感数据,保证数据序列同步更新。最后,通过基于节点强连接的协作传输模式,减少预测失败时的冗余传输。仿真结果表明:给出的数据融合模型在有效预测传感器数据的同时,降低了通信成本。2.针对多媒体数据聚类算法未考虑到传输过程中数据受损导致的聚类精度低与数据不完整问题,研究一种优化变分自编码网络,用于学习缺失数据的特征,并利用高阶张量模糊C均值算法提高不完整数据的聚类性能。初始化过程中,优化基于变分自编码器的特征提取模型,学习并提取不完整数据的低维特征。为了捕获低维数据特征空间中的非线性相关性,采用张量距离作为距离度量,对低维特征进行基于高阶张量的模糊C均值算法聚类。最后,解码器输出最终聚类结果和利用低维特征重建的图像数据。仿真结果表明:给出的模型不仅能有效提取不完整数据的特征,而且能提高聚类性能和完成数据重建。