近年来,随着人工智能的迅猛发展,传感器的应用领域和功能都有了极大的拓展和提高。现代科学领域的一个热点就是怎样将来自多个信息源的传感器数据进行处理,随之而来的是多源传感器数据融合技术发展的突飞猛进。同样,科技的发展带来了人们生活上的便捷,而在家庭中,火灾预防的观念越来越深入人心。火灾检测是指对火灾发生与否的检测。火灾检测的核心是选取一种方法对检测数据进行处理,并且能够使得结果更贴合实际情况,从而给出相应的、及时的对策,降低火灾带来的损失。基于多源传感器数据融合技术,在前人提出的观点和研究的基础上,本文在数据融合特征层上运用BP神经网络算法,加入模糊逻辑推理的方法做决策判断,并针对智能家居领域的多传感器数据融合实例对本文的方法进行验证,主要做了以下工作:首先,本文分析了多源传感器数据融合技术与火灾检测的国内外现状。由于多源传感器数据融合过程中会面临不同的信息源、传感器类型和结构等问题,在对传感器融合的基本原理和几种常见算法介绍的同时,本文还将多源传感器数据融合的概念模型分为功能模型、层次模型和结构模型分别阐述,以及分析它们的优缺点,并在此基础上提出了现阶段多源传感器数据融合技术仍存在的问题。其次,提出一种基于火灾检测的多源传感器数据融合模型,重点研究了融合计算和决策分析的方法。在应用场景中用多源传感器替换传统的单一传感器,对火灾发生时有显著变化的CO浓度、烟雾浓度和温度同时检测并利用数据融合算法计算结果,提高系统精度,减小误报率。在特征层上利用BP神经网络的自学习、自适应能力,对传感器数据融合,输出三种情况的概率,再将结果传输进决策层,利用模糊逻辑推理算法做最后的决策判别,最终得出更精确的结果。接着,基于以上两种方法,对原始火灾数据进行分层融合,并通过仿真实验表明了融合系统能够满足智能家居安防中火灾检测场景的数据采集、处理、融合和分析,能够有效地识别火灾情况,方便快速地做出反应,说明了多源传感器数据融合的可靠性。最后,本文的末尾给出了全文的总结,并表明了接下来的研究方向。