农业无线传感器网络已成为农业大数据最重要的数据来源之一。然而,受制造工艺、网络传输和人为干扰等因素的影响,无线传感器网络中的单个或多个传感器节点在数据采集过程中会不可避免地产生异常。在单个传感器节点中,筛选传感器采集到的农业数据中存在的异常值,可保障农业数据分析的高效开展。同时,为保证实时获取农场数据,需引入实时异常检测方法对传感器实时数据流进行处理。另一方面,在大规模无线传感器网络中,如何检测出同时异常的多个传感器节点并降低计算资源消耗,是农业无线传感器网络应用中亟待解决的问题。为解决上述问题,本文以空气和土壤湿度、温度农业数据为对象,研究传感器异常数据离线、实时检测方法和多传感器异常数据实时检测方法,为提高农业无线传感器网络感知数据的质量提供参考。主要工作包括:（1）基于卷积神经网络的传感器异常数据离线检测方法。针对采样数据中存在异常的问题,将图像识别思想引入农业传感器异常数据检测领域,提出基于卷积神经网络的传感器异常数据离线检测方法。将离散的传感器数据分段并绘制为连续的数据图像,采用基于图片旋转的数据增广方法构建传感器数据图片数据集,构建卷积神经网络对包含异常值的数据图片进行分类,实现传感器异常数据离线检测。实验结果表明,该方法异常检测准确率平均为0.9457,且随传感器数据分段长度增加异常检测准确率总体呈下降趋势。（2）基于改进卷积神经网络的传感器异常数据实时检测方法。针对异常数据离线检测方法实时性不足和检测耗时长的问题,提出基于改进卷积神经网络的传感器异常数据实时检测方法。将标准化后的农业传感器数据转换为极坐标表示,引入自适应数据特征的滑动窗口机制将极坐标数据划分子集并重构为矩阵,通过滑动窗口的迭代更新来处理实时数据流,采用宽度学习模型优化传统卷积神经网络,构建改进卷积神经网络模型实现异常检测。与支持向量机、随机森林和卷积神经网络模型的对比实验表明,所提方法具有良好的实时性能,在处理波动较强数据时更具有优势,异常检测准确率平均为0.9854,且该模型检测耗时低于传统卷积神经网络,可满足传感器异常数据实时检测的需求。（3）基于宽度学习的多传感器异常数据实时检测方法。针对农业无线传感器网络中多个传感器节点同时异常的场景,提出基于宽度学习的多传感器异常数据实时检测方法。基于离散的多传感器实时采样数据构建观测向量,通过相邻元素差值法将观测向量构建为邻差向量,采用宽度学习模型进行异常数据实时检测。实验结果表明,所提方法的检测准确率随存在异常的传感器数量增加呈小幅下降趋势,在10%-50%比例的传感器同时异常场景下的检测准确率平均为0.9922,同时,该方法具有较短的异常检测耗时。