无线传感器网络是面向物理世界的新型信息系统，其应用已拓展到环境监测、智能家居、医疗监控和工业等众多领域。由于其节点数量大、资源和能量受限、应用环境复杂多变、通信的动态性和不可靠性，WSN节点势必会出现各种故障导致降低或失去预定功能甚至造成整个网络瘫痪。故障诊断技术可以及时正确地对WSN异常状态和故障给出判断，进而达到预防或消除故障的目的，保证系统的可靠性将损失降到最低。　　目前针对无线传感器网络故障诊断的研究，主要的诊断模型框架有：集中式故障诊断、分布式故障诊断。常用的方法包括比较法、时间序列分析、贝叶斯决策和神经网络等。神经网络方法对于具有显著不确定性的WSN节点故障诊断能够准确快速地诊断出结果，鲁棒性和适应性更强。本课题主要是针对传感器网络中的节点故障和数据故障进行研究，其中节点故障诊断采用集中式框架，数据故障诊断采用分布式框架：　　1)针对传感器节点的硬故障、软故障、间歇故障和瞬态故障，提出一种集中式模糊神经网络故障诊断模型。该模型是采用集中式诊断方法的三层神经网络结构，其对输入数据进行模糊化以增强模型的适应性，采用粒子群算法对神经网络进行优化以期找到全局最优解，最后在隔离阶段将故障节点与传感器网络进行隔离，防止模型对故障节点进行重复诊断。　　2)针对传感器节点感知过程或数据发送过程中的数据故障，提出一种分布式SODESN（空间组织回声状态网络-一种循环神经网络）故障诊断模型。SODESN模型的神经元分布式地置于无线传感器网络各个节点上，每一个节点的输出反馈至其邻居节点上神经网络的隐藏神经元上。SODESN模型可以对传感器网络中每个节点的数据进行监测，并且采用容错机制避免故障节点数据对模型的性能产生影响。　　对于节点故障诊断模型，将传感器节点数据进行模糊化后，采用粒子群算法优化神经网络模型得到的结果较未经模糊化的数据建立的模型有更强的鲁棒性和可靠性。对于数据故障诊断模型，SODESN模型在故障节点数量不超过总数的一半时，仍能保持较优的检测精度，优于基于ESN的分布式故障诊断模型。