无线传感器网络是由若干功耗较低，功能各异的传感器节点组成，它们可以在不同的环境中监测和收集周边环境信息并将信息发送到工作人员的电脑上。早在20世纪90年代,传感器网络就已经在美国出现了，但传感器节点的节能问题一直困扰着人们，传感器节点一般以干电池供电，且芯片的处理能力相对较弱，通常被部署在环境相对恶劣或人类不宜到达的区域，使得采用更换电池的方法，为其补充能量的方法变得不太现实。此外，传感器节点可能会因为自身内部器件老化或外界环境的干扰,使得测量数据发生较大偏差，为了降低能耗，以及提高数据测量精度，数据融合技术在此就起了很大的作用。本文针对水环境监测中存在如下问题：1.较难获得自然条件恶劣区域和人员较难以到达区域的水环境信息，2.无法对紧急或突发的水事件进行快速动态监测，3.难以精确、全面地获取区域分布的多维水环境信息。考虑到无线传感器网络具有快速部署且擅长从外界获得有效信息的特点，论文选择水环境作为研究背景，提出一种分别对高斯噪声和脉冲噪声进行预处理后，再方差加权的数据融合方法。文章采用滑窗正态记分检验的数据融合方法对噪声进行预处理。在节点内设置滑动窗口，存贮一个周期内的测量值样本数据，并对样本数据进行双样本正态记分检验，从而建立关系矩阵，根据关系矩阵获得最大邻接子图。异常传感器的处理采用中值K均值聚类算法，中值K均值聚类算法是将传感器滑窗样本的中值作为K均值聚类的聚类集合，并通过合理的方法确定聚类中心进行聚类，有条件地对异常感知信息进行诊断和剔除。最后引入加权平均方法计算每个传感器的样本方差以确定各感知信息的权值，并采用加权方法进行融合处理。仿真实验表明，该数据级的感知数据融合方法是有效的，当滑动窗口值为6时，融合信息的定位最准确，此时，该方法不仅提高了加权融合结果的精度，还减少了通信量和能耗，延长了无线传感器网络的寿命。中值K均值聚类算法剔除了受水流冲击发生故障的传感器的测量数据，提高了参与加权平均数据的可靠数据。