信息融合是一门新兴的技术,它为解决信息时代的信息处理与决策问题提供了先进而可靠的方法。随着网络化时代的到来和知识经济的兴起,信息融合已成为国防工程、工业控制、经济和社会决策等高技术产业所共同关心的问题,我国信息融合理论研究与技术应用的发展已经刻不容缓。本论文利用径向基神经网络的算法来研究传感器信息融合技术,并与BP网络、多项式拟合与牛顿插值相结合的算法进行比较。本文分析了三种温度补偿算法,分别是BP神经网络、RBF神经网络和多项式拟合与牛顿插值相结合的算法,通过软件模拟的方法对压力传感器实测数据进行温度补偿,其中重点研究了RBF网络算法。通过对BP网络的介绍,采用梯度下降法,将BP网络算法应用于压力传感器,实现了数据拟合。通过对多项式拟合与牛顿插值相结合的方法的介绍,将算法应用于压力传感器,运用MATLAB语言编程实现被测压力值的拟合。通过对径向基神经网络的研究,利用径向基神经网络模型构建了双输入单输出网络模型,采用带遗忘因子的梯度下降算法,实现了压力传感器高精度温度补偿,克服了其输出特性容易受环境温度、电压扰动等各种非目标参量的影响,从而大大提高了压力传感器的稳定性和可靠性。实验结果表明,BP网络算法具有较好的函数逼近特性,但收敛速度慢。多项式拟合与牛顿插值相结合的方法速度快但精度不高。RBF网络算法具有更好的函数拟合特性,而且运算时间比BP网络快很多,RBF网络算法达到的精度比多项式拟合与牛顿插值相结合的算法达到的精度高很多。RBF网络应用于气敏传感器得到满意的结果。