在无线传感器网络应用中,链路质量评估是保障数据可靠传输和上层网络协议性能的基础性问题。有效的链路质量评估方法不但能够客观的评价链路质量、链路的稳定性和敏捷性,还可以为数据传输提供保障。本课题来源于国家自然科学基金,旨在研究无线传感器网络中的链路质量评估方法。梯度提升决策树(Gradient Boosting Decision Tree,GBDT)作为一种机器学习方法,具有鲁棒性强、精度高等优势。本文将链路质量评估转化为一个多分类问题,利用最大信息系数方法分析物理层参数与包接收率之间的非线性相关性,综合选取接收信号强度指示、链路质量指示以及信噪比作为链路质量评估模型输入参数;考虑到离群点和参数不同量纲之间会带来一些影响,使用盒图方法筛选出离群点,并进行平滑和归一化处理,以减少模型的复杂度;根据包接收率划分链路质量等级,作为链路质量的评价指标;选取最小化负对数损失函数,构建一种基于GBDT的链路质量评估模型;针对参数的设置对评估结果影响较大问题,采用带变异算子和惯性权重的改进粒子群优化算法对GBDT模型的参数进行优化。本文选择在室内、室外(室内走廊、校园树林和校园马路)环境下部署无线传感器网络,使用本实验室自主研发的一款链路质量测试平台软件来获取实验数据,采用准确率、精确率、召回率和F1指标来评价GBDT模型与其它模型的性能。实验结果表明,经过本文优化后的GBDT模型性能最优;与传统的GBDT模型、支持向量机模型相比,本文模型具有较高的精度和稳定性。