随着无线网络规模的扩大和应用的丰富,网络的性能保障、安全性和稳定性等面临越来越大的挑战。在无线网络中采用多个无线嗅探器(sniffer)实时收集用户传输的数据,可以实现无线网络的故障诊断和资源管理,对提升网络性能、保障网络安全、改善用户体验等具有重要意义。由于sniffer数量有限,因此如何优化各个sniffer的硬件配置和软件调度,使它们覆盖最多的网络用户,获取最多的网络数据,从而最大化网络监测质量(Quality of Monitoring, QoM)成为了当今的热点课题之一。该文全面总结了无线监测网络优化QOM的理论和技术现状,重点研究了优化sniffer的信道分配/选择以提高QOM的方法和算法,并通过理论推导、仿真与实际测试证明了所提出方法的有效性。本文的主要研究工作及创新之处在于：(1)总结了无线监测网络的概念和研究现状。总结了无线监测网络的定义、分类和系统框架等；讨论了无线监测网络优化QOM的方法,重点介绍了通过优化sniffer的信道分配/选择提高QOM的各种模型和方法,并从多种性能评价指标出发对现有方法进行了分析和比较；论述了无线监测网络优化QOM有待解决的关键问题,以及本文的研究思路和安排。(2)针对无线监测网络数据收集过程中的sniffer信道选择问题,提出了一种蒙特卡洛增强粒子群优化的sniffer信道选择算法。设计了二维映射粒子编码和相应的移动方案,并引入蒙特卡洛方法来修正解,使粒子群可以快速收敛到最优解或近似最优解。大量的仿真结果表明蒙特卡洛增强粒子群优化的信道选择算法明显优于现有的相关算法,可以使无线监测网络达到更高的监测质量QOM,算法具有更低的计算复杂度和更快的收敛性速度。实际测试结果也证明了该算法的有效性。(3)针对无线监测网络数据汇聚过程中的多信道TDMA时隙调度问题,提出了一种基于概率选择的分布式顶点着色算法。首先基于无线监测网络拓扑构建路由树,形成干扰图,从而将上述资源调度问题转化为干扰图的顶点二重着色问题,其目标是最小化网络通信冲突；然后根据目标函数,计算顶点选取颜色组合的概率,并按概率完成对信道和时隙的选择。在不同网络条件下的一系列对比仿真结果表明该算法可以有效减少网络冲突数,提高网络吞吐量,减小网络传输延时和调度长度,从而使无线监测网络达到较高的数据汇聚性能。(4)设计了一种基于序列学习的网络用户信息感知策略。作为信道选择算法应用的前提条件,网络的拓扑结构和用户信息(工作信道、通信概率或权值)必须是已知的。本文给出了一种基于序列学习的用户信息预测机制,有助于sniffer在全网信息收集操作的周期内准确掌握用户的工作信道和通信概率或权值,从而为信道选择算法提供重要依据。(5)设计了一种无线监测网络信道选择算法仿真软件。软件支持用户自定义网络场景以及节点用户二分图,集成和编译用户算法,测试算法执行效果,图形显示无线监测网络中监测节点的信道选择过程和结果,评价算法性能指标。基于该仿真软件,对该文所提出的算法和策略进行了有效性测试,得到了一系列仿真数据,进一步验证了所提出方法的综合有效性以及不足之处,并为下一步研究和相关科研工作奠定了基础。本文研究无线监测网络优化QOM的信道选择和资源调度机制,提出了相应的算法、策略和仿真平台,构建了较为完善的理论方法体系,相关成果对无线监测网络技术的发展具有推动作用和参考价值。