无线传感器网络中,传感器节点在能量、存储、计算等方面都有局限性,利用其有限的资源高效地完成工作是节点的任务之一,节点的通信容易受到干扰的影响,造成链路质量的波动。准确评估当前链路的质量,选择高质量的链路通信可以减少消息包的重传次数、提升网络的吞吐量。针对通信链路不稳定、链路质量易受干扰影响而波动等问题,论文提出一种基于深度森林的链路质量评估方法。采用链路质量指示、接收信号强度和信噪比的平均值及它们的变异系数作为链路质量参数,构建链路质量样本集。为了避免噪声样本成为聚类中心点,采用基于步长增加和优化中心点的改进K-medoids算法划分链路质量等级。在链路质量样本预处理阶段,采用拉伊达准则删除噪声样本,将每个等级的平均值填充到缺失样本中,以提升链路质量评估模型的训练效率。在链路质量评估阶段,运用多粒度扫描提取更丰富的链路质量特征;针对链路质量样本的分布不平衡问题,采用分层抽样算法对深度森林评估模型进行优化;使用类别平衡的链路质量样本训练级联森林,构建基于分层抽样级联森林的链路质量评估模型（Stratified Sampling Cascade Forest Link Quality Estimation,SCForest-LQE）,得到链路质量等级。使用准确率、查全率、查准率和F1-分数四种指标评价链路质量评估模型的分类能力,使用评估结果与真实等级的差异评价模型的稳定性和敏捷性。在大学内的停车场、办公室和公路三个场景中分别部署Telos B节点,收集链路质量样本进行实验。实验结果表明,与深度森林评估模型相比,SCForest-LQE能有效解决原始链路质量样本的类别不平衡问题,提升SCForest-LQE在少数类的准确性;与基于深度森林、随机森林、小波神经网络、朴素贝叶斯、堆栈自编码器和轻量级波动多参数融合的链路质量评估模型相比,SCForest-LQE具有更好的分类能力;与基于深度森林、随机森林的评估模型相比,在链路质量等级突变时,SCForest-LQE能更好地平衡稳定性和敏捷性。