无线传感器网络（Wireless Sensor networks,WSN）是由数量众多的微型传感节点形成的具有信息采集、处理和传输能力的自组织综合系统。大量传感器节点用于对特定区域的多种环境信息进行实时采集,并根据应用需求对数据进行处理。近年来,无线传感器网络技术迅速成为学术界和工业界关注的重点领域,其广泛应用在军事国防、自然灾害监控和室内环境监测等领域。无线传感器网络经常需要部署在较为恶劣的物理环境中,外在物理因素以及网络技术缺陷均会导致采集到的数据存在一定程度的质量问题,如数据缺失、异常、失效等。存在质量问题的数据并不能准确地用于对真实世界表征,会导致数据分析成本增加及风险提升,同时,低质量数据会导致智能应用做出错误决策,降低其性能。运用数据填充技术对网络数据集的缺失值进行填充,以及运用数据清洗技术对低质量数据集中的异常数据进行修复均是避免低质量数据对智能应用造成影响的主要手段。基于此,本文研究了无线传感器网络数据中的缺失值填充方法和异常数据清洗方法,主要研究内容如下:1.针对数据缺失问题,本文提出了一种基于最大似然的缺失值填充方法。通过计算出多个填充候选值,从概率的角度来评判填充结果的优劣。该方法较好地解决了现有算法对缺失值填充后产生的小错误问题。基于最大似然准则的设计,在精确算法的基础上,通过概率分布近似,对原有算法进行改进,提高了基于最大似然的缺失值填充方法的适用性和通用性。通过真实无线传感器网络数据集验证,表明了基于最大似然的缺失值填充方法在缺失值填充上的有效性,并且具有较高的填充准确度。2.针对数据异常问题,本文提出了一种基于相关性辅助的脏数据清洗方法。该方法通过结合不同传感器维度之间的相关性与单个传感器维度内部的时序关联特性,解决了现有清洗算法约束条件单一和数据空间相关性利用不足的问题。该方法首先进行数据预处理,通过先验知识和相关性计算筛选异常维度;然后在异常维度上采用动态规划和速度约束相结合的方法确定异常点,对异常维度进行标注;最终采用带有外生变量的自回归模型迭代地对异常点进行修复。通过真实无线传感器网络数据集验证,表明了该方法在多维度脏数据清洗上相比于现有方法,具有较好的清洗准确度。