无线传感器网络（Wireless Sensor Networks，WSN）是21世纪四大高新技术之一。它集成了传感器技术、无线通信技术、分布式信息处理技术以及微机电系统技术，在各个领域具有非常大的应用价值，位于对人类的未来生活产生深远影响的十大新兴技术之首。由于许多无法避免的因素影响，更加之WSN使用的环境异常复杂和恶劣，因此WSN易发生各种故障，故障信息会降低整个网络的服务质量甚至会造成严重的损失或者整个网络瘫痪。因此，对WSN进行故障诊断研究具有重大意义。信息融合是当前国际上较流行的一种研究方法，将多源故障信息进行融合之后再进行诊断，能够大大提高故障诊断的准确率。本文通过采集各种故障征兆，将其进行融合并采用粗糙集与最小二乘支持向量机相结合的算法来对故障节点进行诊断。首先利用粗糙集理论对故障诊断决策表进行约简，然后再将约简之后的数据用来对最小二乘支持向量机进行训练，最后用训练后的LS-SVM模型对WSN故障进行诊断分类。本文算法充分发挥了粗糙集理论和最小支持向量机的互补性，不仅有效的利用了粗糙集理论对知识的约简能力以及最小二乘支持向量机优良的分类能力，同时还弥补了粗糙集理论对噪声敏感以及抗干扰能力差的不足，克服了最小二乘支持向量机不能有效识别有效数据知识的缺陷，降低了输入信息空间维数，从而提高了诊断效率。最后将RSLS-SVM模型诊断方法与单一粗糙集方法和LS-SVM模型诊断方法进行对比，结果表明了该算法的有效性，同时该算法能够有效提高故障诊断效率以及诊断准确率。