无线传感器网络(Wireless Sensor Network,WSN)可靠性是保障网络正常工作的前提,是提高网络性能的基础。WSN可靠性不仅是网络设计的关键指标,同时也是保障网络正常运行和管理维护的重要依据。由于WSN自身特点和工作环境的特殊性,导致其与传统无线网络具有显著的差异。在WSN中,传感器个体运算能力、存储资源、电池容量有限;传感器间通讯线路带宽有限、传输速率较低、信号间存在相互干扰、传输信号随着通信距离不断削减;传感器易受到恶劣天气、电磁辐射等环境因素的影响;WSN网络易受到被动窃听、主动入侵、拒绝服务等来自互联网的网络攻击。基于以上的因素,在进行WSN可靠性研究时,只有综合考虑不同因素对WSN产生的影响,才能全面、客观的实现WSN可靠性评估。针对WSN可靠性研究是当今学术界的研究重点和难点,目前仍未能形成较为完整和成熟的理论框架。因此,该项研究具有重要的理论和实用价值。本文的研究主要集中在以下几个方面:针对WSN的运行可靠性评估框架的设计问题,通过对影响WSN运行可靠性的各个环节进行分析,汇总主要的影响因素,并根据其产生的原因进行分类,将影响因素划分为内部因素和外部因素。从不同因素对WSN造成的影响效果出发,构建WSN可靠性评估指标体系,即通过对WSN故障状态评估和WSN安全状态评估完成对WSN可靠性评估。在对WSN故障问题研究时,主要从WSN节点故障问题展开研究,在对WSN安全问题研究时,主要从WSN网络攻击问题展开研究,同时针对多因素的WSN可靠性评估的问题,设计分层可靠性评估模型。基于以上的研究,构建一个WSN可靠性问题研究的框架,该框架易于扩展,可实现对WSN的运行可靠性评估。针对WSN的节点故障诊断问题,通过对WSN数据中心收集的传感器节点数据进行特征分析,提出一种基于分层置信规则库(Belief Rule Base,BRB)的WSN故障诊断方法。BRB能够同时有效的使用定量数据和定性信息,并可以有效的描述模糊不确定性和概率不确定性知识,具有强大的复杂系统建模能力。因此在对故障诊断研究时,首先对传感器之间存在的时间相关性、空间相关性、属性相关性进行分析。然后利用聚类方法对WSN中传感器节点进行分簇,通过对簇内节点间的数据比较,发现存在的异常数据,从而实现对WSN的故障检测。接下来利用分层BRB构建故障类型判断模型,并给出模型的推理过程和参数优化方法。最后通过实验证明,这种方法能有效的识别各种WSN故障,相对于其它方法具有更好的故障类型检测的准确率。针对WSN的网络入侵检测问题,通过对WSN中网络连接数据的特征分析,提出一种基于卷积神经网络(Convolution Neural Network,CNN)的WSN入侵检测方法。CNN是目前深度学习领域最前沿的技术,具有强大的海量数据处理能力和特征学习能力,特别适用于处理高维属性特征的数据(文本、音频、图像、视频)。因此在对入侵检测研究时,首先根据WSN的网络特性构建基于CNN的网络入侵检测模型。然后为了充分发挥CNN的特征学习能力设计了一种对数据的图形化处理机制,通过将网络连接数据转换成灰度图和RGB图以适应于CNN模型的使用。接下来根据入侵检测的需要选取适当的CNN模型,引入迁移学习的思想进行模型训练,并给出网络入侵检测模型的实现过程。最后通过实验证明,这种方法能够有效的应用于WSN的网络入侵检测中,且相对于传统的检测方法具有极高的检测准确率。针对WSN的可靠性评估问题,通过对WSN可靠性影响的内因和外因的特征分析,提出一种基于分层BRB的WSN可靠性评估方法。首先利用专家知识构建基于WSN故障评估、WSN安全评估和WSN可靠性评估的分层BRB模型。然后基于ER迭代算法给定无样本训练的WSN故障评估和WSN安全评估的模型推理过程,基于ER解析算法给定有样本训练的WSN可靠性评估的模型推理过程。接下来利用样本数据对模型参数进行优化,获取更有效的评估结果。通过实验证明,该方法能够有效的实现对WSN的可靠性评估,且评估准确性优于传统方法。最后,通过对真实工程案例的分析,证明该方法在工程应用中的可行性,同时也展现了该方法具有良好的应用前景。