随着无线传感器技术的迅速发展及其应用的日益普及，丰富的无线传感器网络资源给人们带来了极大的便利，但是因为无线传感器节点一般部署在未加防护的地方且自身资源有限,无线传感器网络面临日益严重的安全问题。对于很多无线传感器网络应用环境，检测网络异常流量是十分重要的。入侵检测技术是抵御无线传感器网络恶意攻击的重要且有效的防卫技术之一。一般的入侵检测系统(Intrusion Detection Systems,IDS)是把网络数据简单地分为正常数据和异常数据，但是传统网络检测系统不太适应无线传感器网络。无线传感器网络设计首先要考虑能量消耗问题，其次考虑算法有效性问题。机器学习中的流形学习是一种降维方法。能通过映射把高维数据降到本征的低维空间中，并找出高维数据潜在的内在规律。拉普拉斯特征映射是一种非线性流形学习算法，它鲁棒性好，速度快，本文把流形学习引入无线传感器网络入侵检测中，开展了基于流形学习的无线传感器网络入侵检测研究。针对层次型的无线传感器网络设计了一种基于拉普拉斯特征映射的入侵检测方法。该方法中通过一种流形学习算法—拉普拉斯特征映射对入侵的数据流进行降维，减少需要检测的特征数。减少了传感器节点和基站之间，传感器节点与节点之间传输的数据量。利用支持向量机(Support Vector Machine, SVM)对数据进行分类，对异常数据进行判断并区别入侵类型。仿真实验表明该算法能找出高维入侵数据中潜在的低维本征流形，能发现入侵数据的规律，减少WSN环境中的能量消耗，并且有较高的检测效率。