进入21世纪之后,各国日益重视海洋的开发利用,大力发展海洋科技,水声传感器网络（Underwater Acoustic Sensor Networks,UASNs）借助水声信号传输数据,在特定区域部署大量传感器节点收集数据,成为观测海洋、获取水下信息的关键技术。如何有效收集UASNs中的数据也成为海洋研究的关键问题。水下滑翔机（Glider）作为一种新型的AUV,具有噪声低、能耗小等特点,逐渐成为水下数据收集研究中的重要平台。本文将Glider与UASNs相结合,利用Glider收集UASNs中的数据。如何对UASNs中的传感器节点规划调度,高效收集传感器节点所采集的数据,应对水下环境的复杂多变和延迟问题是本文的研究重点。本文首先分析了水声信道的时变特性和水下设备的能量变化,将其动态变化建模为基于马尔可夫链的多臂老虎机（Multi-armed Bandit,MAB）问题,提出一种对传感器节点规划调度的数据收集策略。为了平衡数据收集质量（如误码率等）和数据收集延迟,设计基于阈值的指数策略并分析其能耗性,仿真证明其有效减少传感器节点之间的切换频率,降低能量消耗,延长UASNs的网络生命周期,降低误码率。其次,针对水下的噪声和干扰造成的系统模型参数不准确问题,将系统模型构建为更为实际的多玩家的无休止臂（Restless Bandit Problem,RBP）问题,针对系统的参数不确定性建立鲁棒系统模型,提出鲁棒的指数策略解决基于RBP模型的系统模糊问题,以提高调度策略的鲁棒性,优化调度决策,降低数据收集过程的能耗。此外,采用离线计算、在线规划的方式以降低水下设备的计算负荷。最后,针对水声信号传输速率慢、多径等所引起的反馈信号接收延迟问题,构建基于RBP的延迟反馈模型,从算法角度研究RBP模型下的反馈延迟问题的求解办法。提出基于队列的指数策略,借助于黑盒算法将无延迟环境下的指数策略用于延迟环境下,以有效解决反馈延迟所造成的有效信息缺失问题,提高传感器调度决策的有效率。此外,对该策略的可行性进行了证明。