无线传感器网络(WSNs)是由多个具备数据处理、存储和通信功能的传感器节点以自组织和多跳的方式构成的,以协作方式感知和处理网络覆盖范围内监测对象信息的无线网络,是涉及多学科交叉、信息高度集成的前沿研究热点。目前,WSNs已在工农业控制、军事、环境监测和智慧城市等领域得到了广泛应用。WSNs的主要目的是获取需要的数据信息并传输给网络所有者,以便于其通过数据信息做出相应的决策,但是,传感器节点设备易发生损坏、能量不足或耗尽等故障,以及部署在敌对环境下被操控等诸多因素,会造成WSNs感测数据出现离群点,使感测数据质量出现劣化,从而必然导致决策者做出错误的判断。因此,针对无线传感器网络中感测数据的离群点检测方法研究具有重要的科学研究意义和应用价值。资源受限是无线传感器网络具有的特殊特性,例如能量、存储、计算能力和通信带宽等。这些特性导致数据动态性、数据的相关性、已知标签数据的获取、离群点数据的区分、离群点检测的方式、计算复杂度等与一般网络不同,因此常规的离群点检测方法不能直接应用于无线传感器网络。本文主要针对WSNs离群点检测精度、计算复杂度和通信复杂度等关键问题开展研究,主要研究内容和创新成果如下:1、针对无线传感器网络中单个传感器节点感测数据因节点发生固定故障、随机噪声故障、增益或者偏移故障而出现离群点的问题,研究了无线传感器网络中节点感测数据的时空相关性,以及邻居节点感测数据与它们之间距离的关系,提出了一种改进的基于距离加权的离群点检测方法。通过欧式距离构建出节点与邻居节点感测数据之间的距离加权值算法,提高了该方法的离群点检测正确率并降低了正常数据的误判率。2、针对离群点数据一般比正常数据样本量少且严重不对称的情况,以及无线传感器网络自身资源受限的特性,研究了一种基于支持向量数据描述(SVDD)的无线传感器网络离群点检测方法。然而SVDD方法具有较高计算复杂度问题,因此提出了一种降低SVDD训练阶段和决策阶段计算复杂度的方法,首先,通过利用训练集约减策略和二阶逼近的序列最小优化(SMO)算法降低训练阶段计算复杂度,然后,通过分析决策函数表达式,采用获取SVDD超球体球心在原始特征空间的近似原像的方式,有效的降低决策阶段计算复杂度。最后通过对真实无线传感器网络的感测数据进行验证,结果体现出该方法有效降低了计算复杂度,保证了无线传感器网络离群点检测的精度。3、针对资源受限的无线传感器网络中感测数据的独立同分布特性导致离群点可能独立发生在单个属性上的情况,结合感测数据的时空相关性,研究了一种基于时空和属性相关的SVDD(STASVDD)离群点检测方法。为了降低该方法的计算复杂度,提出了一种利用核心集思想优化STASVDD中的二次规划问题的轻量级离群点检测方法。同时,采用分布式方式进行离群点检测降低无线传感器网络通信复杂度。最后通过真实无线传感器网络数据集验证了该方法在保证一定检测精度的前提下,其计算复杂度和通信复杂度得到有效降低。4、根据实际应用的需要,研究了无线传感器网络离群点检测方法在工业监控系统的应用。首先,根据工业企业的需要和对关键技术的分析,设计了无线传感器网络节点、网关等硬件设备,并对数据采集的嵌入式软件进行实现,构建出工业企业无线传感器网络监控系统。然后,利用该系统获取的感测数据,对本文提出的一种改进的基于距离加权的离群点检测方法、一种基于SVDD离群点检测方法和一种轻量级的基于时空和属性相关SVDD离群点检测方法进行了验证。