随着现代信息技术的快速发展,作为物联网的基础网络协议之一,基于IEEE 802.15.4标准的无线传感器网络的重要性日益提升。但是,由于IEEE 802.15.4标准中节点采用二进制指数退避(Backoff)机制竞争接入信道,在网络环境相对稳定时,信道资源在竞争中被大量浪费。此外,随着人工智能领域中强化学习(Reinforcement Learning,RL)的发展,其正在逐渐被应用于通信领域。本文旨在将无线传感器网络与强化学习技术相结合,在对基于IEEE 802.15.4标准的媒体访问控制(Medium Access Control,MAC)层进行可信的性能分析后,融入RL技术以提高无线传感器网络的整体接入和传输性能。首先,本文对IEEE 802.15.4 MAC协议进行概述,主要介绍设备类型、网络拓扑,信标使能模式和非信标使能模式下的载波监听多路访问/冲突避免(Carrier Sense Multiple Access/Collision Avoidance,CSMA/CA)算法以及不同的数据传输类型。然后,在星型拓扑饱和网络中,对信标使能模式下的IEEE 802.15.4时隙CSMA/CA算法建立Markov模型并进行数值分析,且比较有无ACK的饱和网络的性能。其次,进一步地比较采用ACK机制的基于IEEE 802.15.4 MAC协议的星型拓扑网络的信道利用率和“信道有效利用率”。提出“信道有效利用率”比信道利用率更能反映真实的网络吞吐性能。再次,进一步地分析网络参数如网络节点数、数据包长度和退避窗口大小等对网络“信道有效利用率”的影响,并提出可以通过改变退避窗口大小以提高网络“信道有效利用率”。且在网络环境相对稳定时,存在最优退避窗口。最后,本文提出一种基于强化学习的自适应退避窗口选择算法。即,网络协调器采用RL算法,可以根据网络环境,自适应地选择退避窗口大小,并对端设备的退避窗口大小的设置进行指导,在保证网络中端设备可以公平竞争信道的前提下,最大限度地提高网络“信道有效利用率”。