无线传感器网络是由一组传感器节点构成的无线自组织网络，实时采集各种被监控对象的数据加以分析处理，将处理结果提供给网络的使用者。传感器网络中的事件检测是利用传感器节点对周围环境进行检测，识别出具有明显特征的事件区域或边界。事件检测是传感器网络的一种重要应用，尤其对于一些紧急事件，如森林火灾、化学物质泄漏等，通过传感器网络能及时准确地检测出事件的发生区域。　　 由于传感器网络监测环境的影响及节点部件的不可靠性，节点很容易发生故障或产生错误数据，影响事件检测的准确度，而容错事件检测可以消除这些影响，故而容错事件检测具有较高的理论研究价值与实际应用意义。　　 容错事件检测需要考虑事件检测和容错处理两个方面，使算法具有较高的事件检测性能的同时，也能具有较高的容错性能。现有的典型容错事件检测算法大多利用节点数据的空间相关性，通过邻居节点的数据交换进行容错，会产生较多的能量消耗。　　 为了进行能量高效地容错处理，本文提出了一种基于投票策略的容错事件检测算法FEDAV，其核心是利用节点自身的数据相关性，进行节点内容错处理，并在投票处理中，考虑节点本地决策的可信度和距离因素。FEDAV算法首先基于直方图对数据进行预处理，相对于均值和中位数方法，该方法具有更好的去噪性能。然后，利用属性相关性进行错误检测，区分出节点的错误状态，从而提高后续投票决策的准确度。最后，基于节点决策的可信度和距离权重进行投票处理，纠正节点错误，正确判定节点状态，识别出事件区域。实验结果表明，相对于Bayesian容错事件检测算法，FEDAV算法具有较高的事件检测率和较低的误报率，其容错性能也明显优于Bayesian算法，并具有较低的能量消耗。　　 FEDAV算法基于事件阈值进行容错事件检测，需要具备事件的先验知识。而传感器网络中的新事件没有先验知识，针对此类事件检测问题，本文提出了一种基于相关性的分布式事件检测算法CDA。该算法不依赖于事件阈值，通过节点间的协作，利用时空相关性，识别发生事件的节点。首先，根据当前窗口的均值和最近历史数据均值的偏离度进行时间相关性分析。之后，采用直方图分析节点间异常的空间相关性，可较准确地进行相关性分析，提高事件检测的准确度。同时，因为仅传递直方图的分组信息，可减少节点的通信消耗。实验表明，CDA算法具有较高的事件检测率和较低的误报率。