无线传感器网络WSN凭借其自身所具有的低成本、自组织、长生存周期等优势,广泛应用于电网监测、海底勘探、军事管理、医疗护理等领域。但是无线传感器网络工作环境复杂多变,传感器能量受限且不能补充,因此无线传感器网络的核心研究问题便是网络覆盖优化控制,可以说网络覆盖控制决定了 WSN的性能和服务质量。采用高效合理的网络覆盖控制策略,能够优化传感器节点的部署,从而使WSN更好的服务于用户。故本文针对二维网络环境中WSN的节点布置及其覆盖优化问题,开展了优化覆盖方法的研究。主要工作如下:（1）针对无障碍环境下WSN节点覆盖优化问题,提出了 DEPSO（Differential evolution particle swarm optimization algorithm）算法。算法使用节点覆盖率为优化因子构造目标函数优化模型,适应度函数值为有效覆盖率。在初始阶段,使用混沌多向学习策略提升初始种群多样性,定义粒子的状态系数用来调整PSO算法速度更新公式中惯性权重呈非线性递减变化,并结合迭代次数和惯性权重之间的关系优化了学习因子,最后引入差分进化算法中的变异策略和交叉策略,兼顾算法的全局搜索能力和局部搜索能力。将提出算法在六种基准测试函数上与同类算法在不同维度上进行对比,并应用到无障碍节点覆盖优化中。仿真实验证明,DEPSO算法性能优于对比算法,增强收敛性的同时提高了寻优准确性,从而改善了 WSN节点有效覆盖率。（2）为了有效提升复杂环境中感知节点覆盖率,提出了 GWPSO（Grey wolf particle swarm optimization algorithm）算法,将其应用于存在梯形障碍物和异构节点的网络中。优化目标为覆盖率进行节点部署。算法初期通过混沌多向学习策略丰富初始种群多样性,通过收敛因子动态调整策略统筹兼顾算法的全局搜索和局部寻优,运用灰狼群体中优秀层狼的引导性改进粒子群算法的速度和位置,增强算法的收敛性和寻优概率,通过将粒子速度和位置进行扰动操作,有效提升种群多样性,阻止粒子陷入“早熟”,并将提出算法与其他文献四种算法进行对比,首先利用测试函数比较收敛性能,然后在无障碍和梯形障碍物下对节点进行优化部署。实验表明,GWPSO算法在两种环境中皆优于对比算法,能够有效提升节点覆盖率。