近年来无线传感器网络（Wireless Sensor Network，WSN）的广泛应用推动了人类生活和社会发展的进步。然而，由于无线传感器网络自身条件的局限性，以及分布环境等条件因素的影响，导致传感器网络的感知数据存在异常、丢失等问题，严重影响了无线传感器网络的应用，如何很好地解决这一问题仍是人们亟待解决的问题。本文针对无线传感器网络中的数据异常和数据缺失问题，提出了相应的解决方案，并以实验验证具体的实现算法。主要工作与创新如下：（1）对无线传感器网络中的异常数据检测方法和数据补全方法进行了分析与研究，指出它们的现存问题，提出了新的改进算法，并进行了大量的实验验证。（2）支持向量机（Support Vector Machine, SVM）技术应用于数据异常检测问题，虽然可以避免维数灾难的问题，但是对于大规模感知数据时，SVM技术的核函数映射过程开销很大。为了解决这一问题，本文提出KNN-SVM算法。由于传感器节点的感知数据中绝大部分数据是正常数据，而且异常检测的目的是为了找出异常数据，因此KNN-SVM算法首先对感知数据进行裁剪，裁剪掉的大部分数据样本都是正常数据样本；然后对剩下的小部分数据样本进行异常检测，这样数据样本数减少很多，从而可以减少计算开销；（3）无线传感器网络中常用的数据补全方法主要依赖于时间相关性或者空间相关性，而且只能对单一的数据属性进行缺失估计，不能整体的对数据样本的多个属性进行整体补全估计。针对这一问题，本文对OptSpace算法进行了改进，提出了Ioptspace算法，使之可以应用无线传感器网络中的缺失数据补全问题，实验证明该算法相比于线性插值算法和基于空间相关性的数据补全方法，估计效果更好、估计准确率更高。