随着物联网技术和无线通信技术的发展,无线传感器网络(Wireless Sensor Network,WSN)越来越广泛的运用于现实世界中的数据采集和分析中。WSN是典型的Ad-hoc网络,由数目众多的传感器节点和基站构成,传感器节点负责收集数据,与基站通信,它们体积小,能量和内存有限。WSN需要根据实时监测的数据来做出决策,然而由于各个节点部署在无人看守的野外环境中,节点的能量受限,会引起一系列的网络安全问题。目前传感器网络安全的研究主要分为两个方向。一方面,为了防止攻击者夺取WSN的控制权,需要对WSN中的恶意节点进行实时检测和清除。WSN通常部署在无人值守的野外环境中,传感器节点极易被攻击者捕获。目前WSN中针对移动节点攻击和副本节点攻击的方案已经很成熟了,然而蠕虫节点攻击相关的研究却非常少。蠕虫攻击对网络的危害是最大的,它能够迅速感染传感器节点,使网络迅速瘫痪。另一方面,为了基站能够做出精准的判断,需要传感器节点能够传输可靠的数据值。因此,需要检测并剔除网络中由噪声或者传感器节点内部错误等原因引起的异常数据。然而,受限于传感器节点的计算资源和内存资源,相关的检测方案并不能在资源和检测效率上得到折衷的效果。本文针对以上两点,进行了相关的研究。以蠕虫传播特性和序贯概率比检验(Sequential Probability Ratio Test,SPRT)为基础,结合偏向采样和随机值采样提出了SPRT-Biased-Random蠕虫检测方案来加速WSN中蠕虫节点的检测。实验结果表明SPRT-Biased-Random方案能够高效地检测WSN中的慢蠕虫传播,并在5~18个时隙内检测到所有蠕虫节点,使得传感器网络最终受感染的节点数维持在2%~5%之间。针对WSN的异常数据检测,以PCA算法为基础结合马氏距离提出改进型分布式主成分异常数据检测方案(Improved Distributed PCA-Based Outlier Detection Method,IDPCA)。方案使用双重检测机制,有效的提高了网络中异常数据的检测性能并降低了网络中的通信资源开销。实验结果表明该模型能够达到96%-97%的异常数据检测率并维持2%的异常数据误报率,同时能够对异常数据进行溯源,让网络管理者能够快速定位网络问题。为了弥补IDPCA方案无法对线性不可分数据进行高效检测的缺陷,提出了基于马氏内核函数的分布式核主成分异常数据检测方案(Improved Distributed KPCA-Based Outlier Detection Method,IDKPCA)。该方案将监测数据集映射到高维空间,能够很好的对线性不可分数据进行检测。通过马氏距离衡量数据向量到数据中心的距离,利用测量数据维度之间的相关性并训练最优的核参数,IDKPCA方案对线性不可分的数据能够达到近乎98%的异常数据检测率和2%的数据误报率。