随着智能化建设发展的推动,无线传感器网络(Wireless Sensor Network,WSN)在军事、医疗健康、环境科学、智能家居等领域有着更广阔的应用前景,这也对WSN性能提出更高要求。由于其自身具有动态性、能量有限、环境复杂等特点,长期处于监测状态的传感器节点容易死亡或受损,导致监测数据失真。这对提供高质量服务的WSN是一个较大的挑战,而及时检测出网络故障节点是确保网络可靠性的重要前提。节点感知数据在涉及观察物理量变化的应用中具有高度时空相关性,本文便是针对这一特性对WSN故障检测方法进行研究,所做工作主要如下:为了解决传感器节点故障导致采集数据发生异常的问题,本文提出一种基于节点多属性关联关系的WSN故障检测方法,结合感知数据的空间相关性与多属性间的关联性对故障检测进行更深层次的探究。以非均匀分簇网络结构为基础,融合距离因子与相邻节点间的空间相关性分析估计簇头置信区间。在可靠簇头条件下,通过显著性检验方法对簇内节点状态进行反馈式决策。最后,根据节点属性间的关联性确定故障节点的异常来源,避免异常事件对节点检测的干扰。仿真实验结果表明,该算法提高了节点在多种故障情形下的故障检测率,且能有效降低通信成本。分布式故障检测是WSN中的一个重要问题,面向密集部署的大规模WSN,本文结合WSN节点的时空相关特性和时序差分策略的学习思想提出一种智能化的节点故障诊断算法,以确保网络可靠性。该算法以线性规划模型对网络实现均匀分簇,将簇内相邻节点的感知状态作为环境反馈信息,融合混合蛙跳机制估计节点在时间周期λ内的数据序列。确定节点的故障状态后,以预测序列替代的方式对故障节点进行短期校正。仿真实验结果表明,改进后的时空相关检测算法提升了诊断机制的检测精度和自适应性。