为了掌握河流泥沙流动规律、河床及渠道冲淤的变化、水土流失情况及治理效果等,悬移质含沙量实时检测就成为水文测验中重要的组成部分。然而,现有的悬移质含沙量检测方法存在一些问题,如含沙量信息有效获取、环境变量的干扰消除以及多传感器数据融合模型合理构建等。目前还没有一套完整的针对悬移质含沙量实时检测的多传感器数据融合处理系统。本文针对含沙量检测中面临的环境变量所引起的问题和如何准确检测含沙量展开研究,研究了含沙量实时在线检测方法及多传感器数据融合模型,将为流域的水土保持、水质检测及排水排沙等提供相应的合理依据。在含沙量自动监测系统中,除了要选择合适的传感器外,其还要能够适应复杂多变的检测环境等,以及能保证含沙量检测的精准性。随着相关技术的发展,多传感器数据融合的研究逐渐成为含沙量检测和数据处理的主要方向之一。卡拉曼滤波理论、人工神经网络、遗传算法等可为准确检测含沙量做出一定的贡献。因此进行基于多传感器数据融合的悬移质含沙量的研究具有重要的意义。本文的主要研究内容和创新点包括:1.讨论悬移质含沙量检测的方法及原理,总结现有含沙量检测方法的优缺点;提出一种基于音频共振法的含沙量检测方法,并构建基于卡尔曼-温度融合模型,首先通过音频共振传感器的不同共振频率来感知不同的悬移质含沙量,然后在进行卡尔曼滤波的同时,把温度信号当控制信号,融合环境因素的影响,进而减少测量误差。2.提出一种经过Kalman-GRBF神经网络的融合模型,把传感器所采集的信息值,经过卡尔曼滤波后,进行归一化处理,然后对信息值进行Kalman-GRBF融合处理。为了比较Kalman-GRBF多源数据融合模型的处理效果,在相同的环境下,还进行了Kalman-RBF,GRBF以及多元和一元线性回归处理,并进行悬移质含沙量测量的误差分析。3.设计了硬件平台,同时设计了基于LabVIEW可视化平台;然后实现了单传感器输入-输出特性分析、Kalman-T融合以及Kalman-GRBF耦合模型处理;最后将上述研究结果应用于实际生活中,从而验证所设计的系统的实用性以及其价值,为以后水土保持等的研究提供了极大的帮助。