随着电子元件和通信等方面技术的快速发展,无线传感器网络如今已经广泛应用于环境监测、交通监控、森林防火等诸多领域。异常检测作为无线传感器网络的重要应用之一,受到越来越多的重视。然而由于传感器节点具有感知准确性低、硬件资源有限、抵制干扰性能差等特点,因此收集的数据常常具有不确定性的特点,与此同时节点也会因为环境噪声、自身硬件的干扰、环境温度的影响、能量的枯竭以及硬件的故障产生一些异常或错误数据,这些异常数据会严重影响到查询结果的准确性,并且会严重影响传感器网络的正常工作,从而导致不必要的损失。因此,在无线传感器网络中使用一种高效并且准确的异常检测方法对实际应用是尤为重要的。本文针对上面问题,以无线传感器网络中的感知数据为中心,深入分析了传感器网络中的数据具有不确定性的特点,给出了传感器网络中的不确定数据模型,在此之上提出了基于距离的时刻异常数据的定义与基于时间关联的持续异常数据的概念。然后针对时刻异常数据的定义,给出了一种可以大幅度提高时刻异常数据检测效率的过滤方法GPA。该方法以Grid结构为基础,通过利用Grid上的性质,找到三种可行有效的过滤策略,从而提高了检测效率。针对持续异常的概念,本文将传感器节点的时刻状态转化为0-1序列,通过应用对持续异常子串的模式匹配方法来发现无线传感器网络中的持续异常数据与异常节点。在实验分析中,本文使用人工模拟数据集对分别GPA过滤算法和0-1序列模式匹配方法进行了测试。在GPA过滤算法中,首先通过改变时刻异常数据的参数来测试在各个参数设置下算法的运行时间与过滤性能的变化情况；然后通过改变传感器的数据分布和网络规模对GPA算法的可扩展性进行测试,实验结果表明在不同数据分布与大规模传感器网络中,GPA都可以保持很好的过滤性,保证了时刻异常数据检测具有较短的响应时间。在0-1序列模式匹配方法中,通过测试对网络中持续异常数据检测的召回率和准确率,验证了在良好的参数配置下该方法的现实可行性。