无线传感器网络(Wireless Sensor Network,WSN)是一种新兴的信息获取方式和处理技术,因其部署方便、功耗低、成本低等特点,已被应用于诸多领域,而且给更多的应用空间和应用价值提供了可能性。WSN的最大特点是面向应用和以数据为中心。因此,部署WSN的目的不仅仅是采集数据并将数据传输给观测者,而且还要完成特定的任务,如跟踪、识别、预警等。分类和回归问题是WSN要完成的众多任务中最基础也是最重要的一类任务。因此,用于解决分类和回归问题的机器学习方法在WSN中得到了越来越广泛的应用。在WSN中,训练样本都分散在传感器节点上,而且样本数据存在不断产生、序列到达等特点,利用传统机器学习方法很难对WSN中的训练样本进行有效的训练。因此,如何在节点能量和通信能力严格受限的WSN中进行机器学习方法的训练成为WSN领域数据融合技术亟待解决的关键问题。本论文面向WSN,基于核学习机的特点,利用增量学习思想和数据降维理论,以降低WSN中机器学习方法模型训练和传输代价、平衡模型训练过程中节点能量消耗、降低参与模型训练的样本数量,提升模型训练效率为目标,研究了稀疏核学习机的增量学习方法、训练样本特征降维方法以及稀疏核学习机增量学习过程中的能量动态平衡方法。具体从稀疏核学习机的增量学习问题,基于核学习机的主成分分析的数据降维问题,以及WSN的能量平衡策略等方面进行深入的研究。本论文的主要研究内容及研究成果如下:(1)针对WSN中节点能量和通信带宽严格受限以及训练样本数据的特点,基于概率理论,研究了稀疏核学习机增量学习问题的构建和求解,提出了一种基于相关向量核学习机的增量学习算法。仿真实验验证了该增量学习算法能得到与传统核学习机方法非常一致的预测正确率,并且可以显著提高模型的稀疏率。(2)针对WSN中原始训练样本维数过高引起的训练和传输代价问题,基于相关向量核学习机的增量学习算法,研究了一种基于核学习机主成分分析的数据降维方法。仿真实验验证了在不降低模型预测精度的情况下,能够明显降低模型训练过程中的计算量和对于内存空间大小的需求。(3)针对WSN中模型训练过程中节点能量消耗不平衡问题,基于相关向量核学习机的增量学习算法,研究了核学习机增量学习过程中能够动态平衡节点能量平衡的分簇策略。相比于传统均分簇策略,优化了非均分簇策略,使得WSN中节点能量的消耗会随着非均分簇策略的执行而更加均匀消耗。仿真实验验证了在非均分簇策略下,可以显著降低WSN中节点上的能量消耗。