无线传感器网络（Wireless Sensor Networks,WSNs）作为物联网（Internet of Things,Io T）重要的“神经末梢”,目前已成为新一代高效信息获取和处理技术的代表,其通过随机部署在网络内部的传感器节点来感知周围环境,从而完成应用中的监测任务。随着WSNs在不同领域中大显身手,其节点储存能力弱、能量效率低等缺陷也逐渐凸显。而分簇路由协议作为一种高效可扩展的路由协议,在均衡WSNs节点能量分布方面表现出色。针对现有分簇路由协议存在的负载不均匀、簇头选择不合理等问题,本文利用K均值（K-means）聚类和径向基（RBF）神经网络等智能算法,对LEACH算法的分簇以及簇头选择阶段进行改进。考虑到监测区域的节点分布密度也会影响能耗,分别在小规模以及大规模场景下提出两种不同的改进方案,主要工作内容如下:（1）针对小规模应用场景下的WSNs,提出基于K-means聚类和自适应蚁群算法改进的混合LEACH分簇路由算法。针对LEACH算法随机选取簇头的不合理性,利用K-means聚类完成初始簇的分配。考虑到簇头担任着负责收集处理以及转发任务的角色,易受通信路径质量以及节点剩余能量等参数影响。因此,在LEACH算法的簇头选举公式基础上,引入簇头到达基站的最优路径、节点剩余能量、适应度参数构造出选举目标函数,从而推导出新的簇头选举门限函数,进而选择每个簇中最优簇头。其中,最优路径通过蚁群算法来搜寻,考虑到蚁群算法的路径寻优容易因收敛过快造成局部最优,重新定义初始信息素浓度与路径选择的关系,以达到一种自适应的效果,并推导出新的信息素浓度更新公式。仿真结果表明,所提方法与传统方法相比,簇分配的更加均匀,有效均衡网络负载,而簇头在簇内进行优化选举,提高了算法运行的效率,有效缓解节点死亡速度,提高网络生存寿命。（2）针对大规模应用场景下的WSNs,考虑到小规模场景下的混合LEACH路由协议中的分簇算法难以满足更高的性能需求,从而提出一种基于RBF神经网络和copula相关性分析的分簇算法。与上一种方案不同,本方案首先进行簇头选举,考虑到影响簇头选举的因素所占权值存在差异,利用数学统计学中的模糊综合判断方法,推导出能够同时满足剩余能量、距离、数据处理能力、簇内节点数量这四个影响因素的目标函数,并利用RBF神经网络的全局拟合能力对此函数进行最佳簇头寻优。簇头被选取之后才会进入分簇过程,簇头在网络中发布入簇邀请,分别测量响应节点加入簇头所在簇的前后信息量,并利用copula函数计算信息量间的相关性,将结果与应用设定相应的阈值阈值进行对比,经过判决只有符合规定的节点才被允许成为簇成员。仿真结果表明,所提方法与传统方法以及小规模改进方法相比,增大了簇头选择的寻优效果,并提高了处理速度,可以有效节约网络能量,实现网络低能耗。