无线传感器网络(Wireless Sensor Network,WSN)因其中传感器节点体积小、成本低的特点,集成了传感、处理和短距离无线通信等多项功能,因而广泛适用于多种特定环境。尽管如此,传感器节点受到的资源限制和所处的恶劣环境也使得生成的数据容易受到噪声、错误、数据丢失、重复值和冲突信息的污染。在WSN中,这些受污染的数据被称为异常值。对WSN进行异常值检测对于确保数据质量,安全监控以及关键事件的可靠性检测至关重要。对于WSN中的异常值检测问题,本文提出了以下几种方法。针对单个传感器节点的局部异常值,提出了一种基于四分之一超球支持向量机(Quarter-Sphere Support Vector Machine,QS-SVM)的方法。利用节点收集的数据建立四分之一超球SVM模型,并结合粒子群算法(Partical Swarm Optimization,PSO)寻找适合模型的最佳参数,以使模型实现最佳的检测效果。实验结果表明该方法能够在保证较高检测率的同时,降低一定的误报率。针对WSN中非平稳分布的测量数据,提出一种以主成分分析(Principal Component Analysis,PCA)为基础的基于增量欧式距离的局部异常值检测方法,以增量方法代替批量方法更新检测模型,通过迭代计算来避免节点的重复计算。同时还对迭代公式引入指数遗忘因子,使节点应对非平稳数据分布的能力增强。实验结果表明该方法可以有效应对非平稳数据分布环境下的异常数据检测。针对分布式环境中的异常数据检测,提出了一种基于时间-空间-属性相关性的主成分分析(a PCA formulation based on Spatio-Temporal-Attribute correlations,STA-PCA)方法。通过将同一节点顺序时刻的时间相关性,空间上相邻节点的空间相关性,同一测量值不同维度的属性相关性三者相结合,使用一种新的PCA计算方式进行检测。另外,该方案还利用空间相关性对检测出的异常值进一步区分是错误还是事件。实验结果表明STA-PCA方法与不考虑属性相关性的异常值检测方法相比具有显著的性能提升。提出的三种方法虽有效但仍有不足之处,因此,今后的研究工作还需进一步深入。