一般来说无线传感器在电源能量、通信能力以及计算和存储能力方面存在一定的条件限制,影响了网络的数据采集效率、生命周期等性能。考虑到无人机（UAV,Unmanned Aerial Vehicle）的高灵活机动性,可以作为移动数据采集器去辅助网络完成数据采集任务,而在此过程中UAV的轨迹规划是影响采集效率的重要因素之一。又因为不同的实际应用场景对数据收集的可靠性和有效性有不同的要求,故本文通过对单UAV辅助传感器网络数据采集的轨迹规划研究,对网络的有效数据率、能量利用率和生命周期等进行优化。主要工作如下:针对WSN中各节点数据产生速率随机和汇聚节点状态不一致的场景,提出一种基于Q学习的非连续UAV轨迹规划算法Q-TDUD。首先根据传感器网络中单个节点在周期内的数据速率改变概率以及单位数据量和单位距离转发数据的延迟时间,建立汇聚节点的延迟差异模型。然后将UAV轨迹设计整体细分为离散马尔科夫过程（MDP）,然后应用强化学习中的Q学习算法来优化UAV的飞行轨迹。UAV的位置和运动方向作为强化学习中的状态集和动作集。利用Q学习中的奖励设置,设置两种奖励方式,使UAV能够智能选择自己的悬停状态或飞行状态,将传统的连续式UAV飞行轨迹规划改变为非连续的轨迹规划。结果表明,当各汇聚节点的汇聚完成时间随着各簇的数据量大小的更新而改变时,UAV能够智能地调整飞行轨迹。在UAV采集任务完成时间、采集数据的有效数据率及UAV能量消耗等性能比较上均优于基准方案。在上一工作基础下针对可能存在热点节点和被捕获节点的非安全网络场景,提出了一种安全数据采集轨迹规划方案SDCTD。首先在热节点问题上原分簇模型加入热节点分析。由UAV统计出热名单在簇内广播,热节点不参与转发节点的竞选,其余节点根据自身条件竞选转发节点并在簇内形成小团体。转发节点之间计算得到权值有向图,利用最短路径Dijkstra算法得到簇内数据汇集的最佳多跳路由。在安全问题上,UAV在数据采集前会对下一跳CH进行安全检测,若为非法则采取新的方案替代原计划执行数据采集任务。从尽可能不影响后续采集点达到时间及最小化非法节点造成的采集延迟考虑,UAV将簇内节点分为“顺路”节点和“非顺路”节点,顺路节点为出现在UAV与下一目的地连接线附近节点,非顺路节点为靠近其他未采集簇的节点。利用蚁群TSP算法计算得出UAV最佳顺路采集路径并执行任务,非顺路节点则选择最近接入点成为其它簇的成员。仿真结果表明本方案与未加安全和热点分析的方案相比,节点能耗、数据收集有效率、网络生命周期相比得到明显提升。