无线传感器网络是由许多具有低功率无线收发装置的传感器节点组成,它们从不同环境监测收集周边环境信息并传送到远处的基站进行处理。而传感器网络的研究起步于美国20世纪90年代。但是从以前到现在一直困扰人们的是传感器节点的能源问题。因为传感器节点一般都是电池供电,而节点的部署又很广阔,那么更换电池能源延长网络生命周期就很复杂,所以如何节约能量就是目前研究的热点。为了避免浪费通信带宽和能量以及降低信息收集的效率,数据融合技术就起了很大的作用。从20世纪90年代末至今,数据融合在国内已发展成为多方关注的共性关键技术,许多学者致力于机动目标跟踪,分布式检测融合,分布式信息融合,目标识别和决策信息融合和多传感器综合跟踪与定位等研究。数据融合技术可以在传感器网络协议栈的多个层次中实现,既可以在MAC协议中实现,也可以在路由协议或应用层协议中实现。根据比较确定了本论文的中心就是针对应用层的数据进行数据融合。单传感器系统中引入数据融合方法,依据有限的资源,消除测量中的不确定性,可获得更准确可靠的测量结果,借以提高数据处理的精度。因为本文研究的系统是线性模型,其系统和传感器的噪声是高斯分布的白噪声,且处理对象是动态环境中冗余传感器信息。因此就应用层数据出发选取了基于Kalman滤波的分批估计融合算法,这种算法主要是通过将传感器节点收集的同一性质的信息进行分批,通过一系列加权公式使计算出的融合信息更逼近真实值。本文所做的工作主要包括:(1)通过与其他传统数据融合方法进行比较,提出基于Kalman滤波的数据融合算法-分批估计算法。(2)将本文所提到的四种数据融合算法进行比较,从精度,复杂度,能量损耗这几个方面进行大量数据仿真,得出各类算法的优缺点。(3)将本文提出的分批估计算法应用于粮仓监测装置,并给出相应的硬件配置。实验数据结果表明:本文所提出的基于Kalman滤波的分批估计算法在有效节点情况下融合效果比其他算法的要好。