近年来随着研究和应用的深入，无线传感器网络(Wireless Sensor Network，WSN)的性能测量逐渐成为研究的热点。通过测量可以发现网络中的故障或异常，从而为早期系统预警、节点再次部署等网络维护工作提供依据，以保证网络具有最高的效率和最可靠的工作性能。然而，WSN的能量和通信带宽极其有限，网络规模大，动态性强。因此，在网络节点上主动收集性能信息，然后进行分析和处理的传统测量方法并不适用。与传统网络不同，WSN是信息获取的网络，其收集的应用数据本身就蕴含了丰富的网络状态信息。针对这一特点，本文研究了基于网络断层扫描(Network Tomography)技术的WSN被动测量方法。主要创新性研究成果如下：　　 (1)基于数据融合传输模式，提出了周期性采集网络的链路丢包率被动测量方法　　 针对拓扑已知条件下的链路丢包率测量问题，本文提出了一种被动式的测量方法：将数据融合树模型化为逆向多播树，建立了拓扑已知条件下链路丢包率与sink节点上的观测值之间的统计关系，并在此基础上设计了相应的测量算法。仿真实验表明，本文方法具有良好的收敛性：当数据采集轮次达到100轮时，丢包率测量值的均方根误差小于0.06，而现有方法则需要约200轮以上的数据采集才能达到相同的精度。在此基础上，本文还引入了丢包率等值线图，使得仅需要20至40轮数据采集便能有效地指出网络故障区域。　　 本文还针对拓扑未知条件下的链路丢包率测量问题，提出了一种被动式的测量方法：基于逆向多播树模型，建立了sink节点上关于各叶子节点的观测值之间的统计相关性，并利用这种相关性，设计了相应的拓扑和丢包率测量算法。仿真实验表明，本文方法具有良好的收敛性：当数据采集轮次达到100轮时，推断出来的拓扑结构与真实网络拓扑的相似度约在0.8左右，丢包率测量值的均方根误差小于0.08。　　 (2)基于数据融合传输模式，提出了事件监测网络的链路丢包率被动测量方法　　 事件监测是WSN的一种重要的应用场景。然而，现有的基于数据融合模式的断层扫描测量方法难以解决事件监测网络的链路丢包率测量问题。针对该问题，本文提出了一种被动式的测量方法：针对事件监测网络的结构特点，建立了相应的网络模型，用以描述由多棵数据融合树组成的网络拓扑，在此基础上，将链路丢包率测量问题演化为极大似然估计问题，并基于期望-最大化( Expectation-Maximization，EM)方法设计了相应的测量算法。仿真实验表明，本文方法适用于事件监测场景，且具有良好的收敛性：当网络中所有融合树的数据采集轮次均小于50轮时，丢包率测量值的均方根误差仍小于0.08。此外，方法对靠近sink节点的链路具有更好的测量精度，而这些链路正是影响网络性能的关键链路。　　 (3)基于端到端传输模式，提出了故障节点的被动检测方法　　 针对端到端传输模式下的故障节点检测问题，本文提出了一种被动式的检测方法。该方法包括两个部分：数据包标记机制和故障节点检测算法。针对端到端模式下网络拓扑变化更为频繁的特点，本文引入了路径节点集合的概念，并在此基础上提出了数据包标记机制，从而有效地解决了拓扑信息收集的问题。基于路径信息并结合网络的端到端性能统计，本文设计了一种故障节点快速检测算法，该算法将故障节点检测转化为带权集合覆盖问题，并采用启发式的贪心策略进行求解。仿真实验表明，当网络中故障节点的比例为0.1时，该算法能检测出90％以上的故障节点，但误判率达到了20%左右。针对快速算法误判率较高的问题，本文将故障节点检测问题演化为贝叶斯推断问题，提出了一种基于Gibbs抽样的马尔科夫链蒙特卡洛(Markov Chain Monte Carlo，MCMC)算法。仿真实验表明，该算法的故障节点检出率比快速算法略高，且误判率有显著下降：当网络中故障节点的比例为0.1时，误判率在10%以下。