综合了无线通信技术,嵌入式计算技术,分布式信息处理技术和传感器技术的无线传感器网络(Wireless Sensor Network,WSN)能够协作地完成信息的实时监测、感知和采集,并对这些信息进行处理,传送到用户终端。无线传感器网络在军事侦察、环境监测、医疗护理、建筑物监测和空间探测等领域具有广泛的应用前景。无线传感器网络中的离群点检测成为近年来研究的热点,但已有的检测算法由于没有充分考虑数据的时空关联性以及网络的分布特点,导致检测精度低、通信量大和计算复杂度高等问题,因此研究一种高效的离群点检测算法成为本文的重点。本文的贡献如下:(1)对无线传感器网络中的离群点检测算法进行分析,指出其目前存在的问题,提出将数据间的时空特性充分运用到离群点检测中,以提高算法的检测精度,减少通信量。(2)针对低维数据,提出了基于时空关联的分布计算与过滤的在线离群点检测算法OTOD(Online Three-phase Outlier Detection algorithm)。算法在各传感器节点上利用传感器读数的时间关联性生成候选离群点,利用空间关联性对候选离群点进行过滤得到局部离群点,最终将所有传感器节点上的局部离群点集中到sink节点上获得全局离群点。利用时空关联性提高了检测精度,利用分布计算减少了通信量和计算量,理论分析和实验结果表明,OTOD算法在用户依赖性,检测精度和算法性能上优于现有算法。(3)针对高维数据,提出了自适应的基于超椭球SVM的离群点检测算法。超椭球SVM克服了超球SVM仅适合球形分布数据的缺陷,为适应数据流的概念漂移,算法引入一种新的模型更新机制,通过判断新样本以及最早进入数据偏离于分类模型的程度来判断新样本是否对超椭球体边界有影响,以决定是否更新分类模型,并将数据间的空间特性进行量化以提高算法的检测精度。实验结果表明,对比已有算法,该方法有效提高了检测率。