无线传感器网络本质上是一类资源受限的网络。通常情况下,无线传感器网络节点采用电池供电,有限的能量限制了网络生存期。作为一个嵌入式系统,节点的计算能力和存储能力都较小;节点间通信带宽也比较低。因此,在这些约束条件下,无线传感器网络调度方法对于WSN应用中网络性能的提升具有极其重要的意义。本文对无线传感器网络分布式调度方法进行了深入的研究,并针对无线传感器网络能量受限的特点,提出了四个分布式调度方法。论文的主要贡献和创新点包括:(1)提出了一类实用的、协作分布式的调度方法。该类方法包含两种调度方法:一步协作分布式调度方法和两步协作分布式调度方法。该类方法基于马尔可夫链,使节点通过相互协作学习其它节点的行为信息,将节点传输调度与休眠调度相结合,达到节省能量的目的。分析了该类方法的适应性、实用性,并从理论上证明了其收敛性。实验结果表明这两个调度方法能够有效地减少能量消耗。(2)提出了一种WSN分布式自学习调度方法。该方法在WSN分布式调度研究中引入再励学习的思想,通过对Q-学习方法扩展,提出了一种计算调度参数的近似方法,使节点可以得到具有连续值空间的发送调度参数和休眠调度参数,从而使节点实现传输调度和休眠调度。该方法在优化节点能耗的同时,还可以减少数据包时延。在MAC层上实现了该调度方法。仿真结果表明,该方法可以有效地节省能量,并减少了树型拓扑网络的数据包平均时延。(3)提出了一种WSN分布式进化自学习调度方法。该方法根据WSN中具有相同父节点的近邻节点之间工作特性具有一定相似性的特点,对这些节点的调度策略进行优化。并且针对无线传感器网络节点带宽有限的特点,提出了一种将粒子群优化算法与分布式自学习方法相结合的方法,使节点可以从其它节点学习调度的经验,加快了调度策略的学习速度。仿真结果表明,该方法比占空比10%的S-MAC更节省能量,而数据包时延与占空比60%的S-MAC协议相接近。与分布式自学习调度方法相比较,在仿真结束时,可以进一步节省能耗,并减少数据包平均时延。