水下传感器网络(Underwater sensor networks,UWSNs)是由具有声学通信与计算能力的传感器节点构成的水下监测网络系统。由于水下传感器网络可以被广泛应用于海洋资源勘测、水环境监控、地震监测等领域,因此逐渐得到了国内外研究机构的高度重视。在水下传感器网络中,传感器节点具有稀疏布置的特点,难以通过节点之间的多跳路由进行数据的传输和汇聚,因此为了实现全网络的数据收集,通常利用水下机器人(Autonomous Underwater Vehicle,AUV)来收集数据。AUV如何在水下传感器网络中移动,访问稀疏布置的水下传感器节点,在完整收集所有节点的数据的前提下,降低能量损耗是一个关键问题。本文针对这一问题,研究并提出了一种基于K-Means的水下传感器网络AUV数据收集方法,并通过大量仿真实验证明了该方法的有效性。本文研究的主要内容及创新之处如下:(1)提出一种基于K-Means聚类的水下传感器网络AUV数据收集方法。首先利用K-Means聚类方法对水下传感器网络进行划分,并以节点通信范围为约束条件得到网络划分结果,即多个网络“子团”;然后确定网络子团的中心作为数据收集点;最后依据多个数据收集点形成AUV的最优移动路径。大量仿真实验结果表明该方法可以有效地规划出水下传感器网络中AUV的移动路径,不仅可以完成全网数据收集任务,而且具有AUV移动路径短,耗时短,能耗效率高的优点。(2)设计了一种基于类内距离的网络子团动态调整机制。由于水下环境复杂多变,传感器节点会被动或主动地发生位置迁移。传感器节点根据自身当前的位置,计算加入不同的邻居子团后的类内距离,并据此得到加入各邻居子团的概率,实现网络子团的调整。AUV基于更新的网络子团结构规划移动路径,完成对网络的后期数据收集。仿真实验证明了该自主调整机制的有效性。本文的研究工作和成果对水下传感器网络中数据收集理论和应用发展具有一定的促进作用和参考价值。