事件驱动型传感器网络是无线传感器网络的重要类型之一,通过节点上的全向或有向传感器以全面及时而准确地监测区域中用户感兴趣的简单或复合事件,在多个行业场景具有重要的应用价值和研究意义。事件驱动型传感器网络通常需要提供事件的全面感知、及时传输和准确估计能力,然而现有技术仍面临一系列挑战,尤其在基于有向传感器的感知覆盖、数据流量漏斗效应相关的拥塞控制、复合事件统计模型的轻量级参数估计等方面存在着一定的不足。本论文聚焦于事件驱动型传感器网络的关键技术问题,提出了感知覆盖、拥塞控制和复合事件估计的一系列技术方法,主要的研究内容和创新点如下:（1）针对节点安装多部有向传感器条件下的事件驱动传感器网络感知覆盖优化问题,以覆盖率为优化目标,以传感器指向角度为优化变量,揭示了单个节点上多传感器角度变量间的交换等价性,将原优化问题转化具有虚拟边界约束的等价问题,降低了解空间的冗余性;提出基于虚拟边界约束的混合粒子群覆盖优化算法,根据传感器角度间的几何关系生成约束,构建粒子搜索的虚拟边界,有效地提升了感知覆盖优化的计算效率。仿真实验结果表明,在不同覆盖类型的各类验证场景中,所提出的算法在收敛速度上优于经典算法和已有改进算法。（2）针对传感器网络流量漏斗效应在汇聚节点附近造成的拥塞问题,设计了汇聚节点队列可观察和不可观察模式,分别构建了两种模式下的排队博弈模型,并根据汇聚节点服务能力约束从理论上获得了两种模式切换的到达率阈值;提出了一种面向非均匀服务价值和可变到达速率数据的基于排队博弈的拥塞控制算法,根据阈值进行模式切换,使系统获得最大收益,以实现近汇聚节点侧的拥塞控制。仿真实验结果验证了所提出算法的正确性,平均服务价值时延下降,有效缓解了传感器网络中流量漏斗效应对事件驱动传感器网络的影响,提升了事件传输的及时性。（3）针对基于事件间隔统计分布特征刻画的复合事件检测问题,提出了基于自适应分箱策略和差分进化的事件间隔统计分布模型参数的轻量级估计算法,利用自适应分箱策略对原始数据进行分段划分和区间计数,在后续处理中仅利用计数结果以降低数据存储的空间复杂度;利用差分进化算法基于计数数据集对模型参量进行最大似然估计,其时间复杂度与原始数据集无关,仅与区间数量有关,而区间数量远小于原始数据量,从而有效降低了算法时间复杂度。验证实验表明所提出算法可以正确高效地进行事件间隔统计模型的参数估计,时间复杂度显著优于最大期望算法。综上,本文针对事件驱动型传感器网络的应用需求,提出了感知覆盖、拥塞控制和复合事件估计等系列技术方法,提升事件感知的全面性、事件传输的及时性和复合事件准确估计的轻量性,为事件驱动型传感器网络提供关键技术支撑。