在无线传感器网络数据融合算法中，BP神经网络被广泛用于节点数据的特征提取和分类。为了解决BP神经网络收敛慢、易陷入局部最优值且泛化能力差从而影响数据融合效果的问题，提出一种将深度学习技术与分簇协议相结合的数据融合算法SAESMDA。SAESMDA用基于层叠自动编码器（SAE）的深度学习模型SAESM取代BP神经网络，算法首先在汇聚节点训练SAESM并对网络分簇，接着各簇节点通过SAESM对采集数据进行特征提取，之后由簇首将分类融合后的特征发送至汇聚节点。仿真实验表明，与采用BP神经网络的BPNDA算法相比，SAESMDA在网络能耗大致相同的情况下具有更高的特征提取分类正确率。