无线传感器网络作为一种数据采集型网络,通过在目标区域内部署大量微型的无线传感器节点,以帮助人们获取目标对象和目标周围环境的信息,从而实现了人与物、物与物的互联互通。由于传感器节点通常受到体积和成本约束,大多数情况下由微型电池提供电力来源,且由于节点部署环境恶劣等其他因素的影响,导致电池更换较为棘手,由于上述原因带来的节点能量约束给无线传感器网络的工作时长带来了巨大的挑战。如何实现节点能量使用效率的最优化以最大化网络生命周期是无线传感网络研究中的热点问题。此外,如何对用户获取到的传感网数据进行挖掘分析,避免出现“丰富的数据,贫乏的知识”问题,则是无线传感网络研究中的另一个重要问题。针对无线传感器网络在数据采集和分析阶段存在的问题,本文围绕如何确保传感器网络长时间地采集数据以及如何分析采样数据进行了一系列研究,研究内容包括以下两个方面:在数据采集阶段,经研究发现,传感器节点的绝大部分能量消耗在节点间的无线通信,而高效的路由算法可以规划出更加合理的通信链路,从而提高节点能量利用率。针对此问题,本文从两个方面进行了研究。第一,提出了基于静态基站结构的无线传感器网络分簇路由算法。首先使用改进后的粒子群算法以选举出簇首,然后普通节点根据权值函数选择簇首并加入该簇,最后使用改进后的蚁群算法以规划簇内和簇间的多跳传输路径。第二,在前述研究基础上,提出了基于动态基站结构的无线传感器网络分簇路由算法。将基站设备搭载在无人机上,建成动态基站。使用改进后的粒子群算法把部署在地面上的节点进行近似均匀地分簇,使用蚁群优化算法以规划无人机飞行路径,还为簇首节点选举出“冗余节点”以提高簇首传输数据的鲁棒性。在数据分析阶段,为了提升分类的精度和鲁棒性,本文提出了个性化在线集成学习方法对传感器网络数据流进行分类。依据数据流的时间顺序性,将先验数据划分为若干数据块,每个数据块训练出一个分类器。用户在当前时刻接收到一个新的数据块后,计算此数据块与距离其最近时间的若干个数据块之间的相对熵值,以计算其与每个数据块分布的相似性,并依据这些值确定各个分类器的分类权值,从而生成一个强分类模型。