无线传感器网络(WirelessSensorNetworks，WSN)是当今极具潜力和影响力的关键技术之一。它集成了无线通信技术、传感器技术、微机电系统技术和分布式信息处理等技术，将逻辑上的信息世界与客观上的物理世界融合在一起，改变了人类与自然界的交互方式，在民用和军用等许多领域具有很高的应用价值。 为了有效地延长WSN的使用寿命，有效地利用WSN的各种资源，对WSN进行及时、准确的故障诊断，可以确保WSN信息传递的可靠性，可以在上位计算机或中心节点上进行有效的路由规划和节点管理，进行远程维护WSN和节点。 本文对WSN故障进行了故障层次结构和特点分析，得出WSN故障的检测与诊断策略。并有效地利用RoughSets理论在剔除冗余属性方面的优势，充分结合改进BP神经网络在并行计算和克服噪声干扰方面的功能，提出将RoughSets理论与改进BP算法集成(简称RSBP)，来解决能量有限而又具有显著不确定性的WSN节点在线故障智能诊断问题。具体方法是：首先利用RoughSets理论进行故障诊断决策表的约简，然后用约简后的数据训练神经网络，最后用训练后的改进BP神经网络对WSN节点故障进行诊断。在RoughSets理论约简算法中，本文提出了改进的基于属性重要性的归纳属性约简算法，提高了计算效率；本文在标准的动量BP算法的基础上改进，提出了一种基于全局修正因子的BP(GlobalRevisionFactorBP，简称GRFBP)改进算法，克服了BP算法迭代计算慢、容易陷入局部极小的缺点。 本文提出的RSBP集成故障诊断算法揭示了WSN节点故障特征信息的内在冗余性，能准确快速地解决WSN节点的在线故障诊断问题。在获得的信息不完整或部分信息有误的情况下，也能给出WSN节点的合理故障诊断。与基于if-then规则的诊断相比较，在故障特征数据可靠性降低时，愈加突显出本文算法在诊断准确率方面的优势。通过大量的仿真实验表明，本文提出的算法有诊断准确率高、通信代价小和能量消耗低的特点，提高了故障诊断的鲁棒性，增强了能量有限的WSN的实用性。