无线传感器网络（Wireless Sensor Networks, WSNs）数据融合（DataAggregation），是指将多个传感器节点的数据进行处理，以消除数据冗余传输，并将融合结果发送到基站的一种技术。通过降低网络中数据的通信量，数据融合可以大大降低网络的能量消耗，延长网络生命周期。基于预测的数据融合算法，是指将传感器节点采集的历史数据进行建模分析，预测未来的数据，若预测误差在阈值允许范围内，则节点不用发送数据，否则节点需发送数据到融合节点，并更新预测模型。当节点受到人为或环境等因素影响时，得到的数据本身可能存在异常，而这也可能导致预测误差大于误差阈值。目前主要的处理方法是源节点将此数据发送到融合节点进行融合处理，这不但会影响最终的融合结果，而且会增加网络通信量、缩短网络寿命。另外，传感器节点本身的能量、计算处理能力以及存储能力有限，如果建模算法或预测算法复杂度过高，将使融合算法在应用中不具可行性。因此，预测融合算法要求，在保证模型预测结果准确性的情况下，要尽量降低预测模型和预测算法的复杂度。基于此，本文提出一种基于ARMA时间序列模型的无线传感器网络数据融合算法，该算法旨在降低无线传感器网络能量消耗并提高融合结果精确度。通过利用传感器节点采集数据在连续时间上的相关性，算法对节点历史数据进行分析建模，预测未来的数据。考虑到WSN节点的部署策略使节点间的数据具有空间相关性，算法对节点采集的数据进行了可靠性分析，剔除异常数据。通过对ARMA模型进行分析，发现预测模型的构造和预测所需的代价与模型的阶次大小有关。因此，本文对ARMA模型进行优化以降低模型阶次，进一步适应传感器网络。实验以重庆某大桥上部署节点采集的温度、挠度两组数据为数据集，对本文提出的基于时间序列分析的无线传感器网络数据融合算法进行仿真实验。实验结果表明：本文算法不仅能有效降低网络能量消耗，而且能检测出异常数据，且用BIC&F适用性检验方法确定的ARMA模型，能更好的适应无线传感器网络。