无线传感器网络（Wireless Sensor Networks,WSN）是当今社会极具影响力的关键技术之一,在军事监控、医疗保健、辅助生活以及环境科学等领域得到了广泛应用。WSN扮演着物理世界和数字世界之间的接口角色,当传感器向汇聚节点传递错误数据时,可能会导致安全、经济和系统可靠性等方面的严重后果。因此对无线传感器网络中的故障诊断问题进行研究具有十分重要的意义。在此背景下,本文对无线传感器网络的故障诊断方法进行研究,主要工作包括以下几个方面:首先,对WSN的基本结构、网络模型以及节点结构进行介绍,通过分析故障来源,对其节点常见故障进行分类,并且给出不同故障的特征图及其数学模型。设计基于阿里云平台的数据采集系统进行数据收集,并根据所提出的数学模型将各类故障注入数据,为后续的算法研究提供数据支持。其次,提出一种基于极端随机树的WSN故障诊断方法,该方法的基础是极端随机树算法,对其决策树训练方法进行改进以增强随机性,减少对结果预测产生的影响。对算法中分类精度不同的决策树设置不同的权重,形成加权投票策略。通过十折交叉验证选出算法的敏感参数采用模拟退火算法进行参数调优,并且使用注入故障的数据集实验验证改进算法的可行性。最后,使用经过故障处理后的系统采集数据集,在仿真平台进行实验,验证所提出算法的改进效果,并通过和支持向量机、神经网络、随机森林以及决策树四种用于WSN故障诊断的机器学习算法进行比较,选用准确度、精度和F1得分三个评价指标对仿真实验中的算法性能进行比较。结果表明,本文提出的方法在WSN故障诊断中具有较高的性能。