粉尘作为工业生产的伴生物,对工业、人类健康以及生存环境危害极大,它不仅降低了工业生产的效率,还大大增加了人们患尘肺的几率。因此,准确实时检测粉尘浓度变得尤为重要。本文采用理论和实验相结合的方法,对基于多传感器信息融合的粉尘浓度检测方法进行研究。针对光电式粉尘浓度传感器的光学窗口易受污染,需要经常进行标定,维护量大的不足,本文采用静电式传感器实现粉尘浓度检测。由于单一的传感器有自身的局限性,不能非常及时准确地得到粉尘浓度,且如果传感器发生故障,检测就会受到较大的影响。为了解决该问题,本文引入多传感器信息融合进行检测,并在前人的研究基础上,采用BP(Back-propagation)神经网络融合算法。针对传统BP神经网络的不足,本文采用附有动量项—自适应学习率的BP神经网络进行改进。并通过MATLAB仿真进行对比,得出改进的BP神经网络收敛速度快。又由于改进的BP神经网络的初始权值是随机化赋值,且多由专家经验获得,具有主观因素,因此,本文根据DS证据理论的信任函数和似然函数来获得精确化的初始权值,并建立DS-BP神经网络融合模型,这样加快了收敛速度,减小了误差,提高了融合精度。在粉尘浓度检测中应用DS-BP神经网络。利用模拟矿井粉尘环境的实验装置进行实验。在装置的不同位置上,放置静电式传感器,采用NI数据采集设备和LabVIEW进行信号采集,采集的信号经过小波阈值去噪和特征提取后,再经过DS-BP神经网络融合算法处理,得到较精确的粉尘浓度。通过实验表明,对比预测结果和误差,验证了在粉尘浓度检测中应用DS-BP神经网络融合算法,收敛次数减少,误差减小,获得的粉尘浓度更精确。