随着科技的迅猛发展，对无线传感器网络的应用逐渐从单一的军事国防扩展到了关乎国计民生的各个领域。与此同时，与之相伴的安全问题也显得日益严峻。究其原因，首先是因为无线传感器网络的固有结构所造成的，网络的开放性越强就越容易受到攻击。其次，由于造价的低廉所导致的硬件设施相对较差，也无法直接套用在传统网络中所使用到的各种安全防御技术。而且无线传感器网络经常被部署在无人值守的区域内，不但会应为自身紧缺的能量供给导致无线传感器节点无法胜任高强度的运算及安全认证工作，更会因为相对安保措施的不完善从而导致外部攻击的产生。近年来，一种基于信誉机制的无线传感器网络恶意节点检测方法被广泛的应用于无线传感器网络安全方案中。它通过对节点行为的量化来识别恶意节点，虽然可以取得不错的效果，但同样存在诸多不足。本文的研究内容，就是为了解决基于信誉模型的算法中过于依赖人工经验、对攻击行为隐蔽的恶意节点识别效果差和正常节点识别率与恶意节点误判率无法协调的问题，对典型的信誉模型进行改进。同时，又针对无线传感器网络安全的特殊环境与要求，对算法中所使用的聚类算法进行了尝试性的优化工作。本文的主要贡献有：提出了一种基于时序的无线传感器网络节点信誉检测算法（TimeSequence Based WSNs Nodes Reputation Detection, TSB-WSNNRD）。通过引入时序信誉集合这一概念，将典型的基于信誉模型的算法中对节点信誉值的考察从单一时间点扩展为一个较长的时间周期，从而使无线传感器网络可以更加客观的评价节点行为所产生的信誉值；同时将聚类算法引入到无线传感器网络的信誉度量中，通过使用聚类分析的方法，不但可以更加准确的识别出在网络中隐蔽性较高的恶意节点，同时也能确保对于算法中正常节点误判率和恶意节点识别率的平衡。最后，为了使算法具有实际的应用价值，结合无线传感器网络安全的自身特点，对典型的K-medoids算法进行了优化，提出了一种基于中心点限定的改进型K-medoids算法（CLB-K-medoids），极大的提高了算法的效率，在一定程度上解决了K-medoids算法所存在的时间复杂度过高和对初值敏感的问题，使之可以胜任无线传感器网络中安全检测的工作。最后，经由一系列的仿真实验表明，本算法在识别无线传感器网络中恶意节点时的表现，具有较高的准确性和稳定性，同时可能够在尽可能短的时间内完成既定的任务。