无线传感器网络是一种随机布撒、分布式、自组织的面向具体应用的新兴网络,具有重大的研究意义和广阔的应用前景。但是,由于传感器节点的存储、计算和通信能力有限,对网络结构和协议提出低能耗、高效率等严格要求。大量传感器节点随机布撒后以自组织的方式构建网络拓扑,且随着外界条件的变化,网络拓扑自适应的调整,因此,无线传感器网络拓扑控制机制至关重要。本文针对无线传感器网络中节点的聚类、调度等拓扑控制问题展开研究,主要工作体现在以下几个方面:结合人工神经网络的自组织学习理论,将竞争学习思想引入到无线传感器网络中,提出一种无线传感器网络竞争学习聚类算法,利用节点间的直接竞争和获胜节点的侧抑制作用实现聚类,阐述了传感器节点在六种状态间的转换和簇的形成过程。仿真结果表明该算法能将网络中的节点划分成个数稳定性优于LEACH算法的簇,且用于拓扑控制的能耗负载除第一轮外与LEACH算法相当。针对煤矿井下巷道狭长、子巷道多、意外事故时常发生等特殊环境,提出一种适用于煤矿井下的拓扑控制算法,通过从奇数跳中选簇头,偶数跳中选簇桥初始化网络,以竞争学习的方式实现节点竞争休眠和角色轮换。仿真结果表明该算法能够将网络划分成个数合理、规模均匀的簇,且簇与簇之间的重叠较少,在半径为110m时节点重叠率为20%。借鉴多个简单的生命个体(如蚂蚁、蜜蜂)能够协作的完成复杂任务的群体智能思想,将蚁群算法应用于事件驱动型无线传感器网络中,设计一种自组织、自适应的启发式节点调度算法,以负载与能耗均衡为目标,以被动的方式收集无线传感器网络中的监测数据。仿真结果表明该算法使第1跳子集内节点的负载与能耗标准差分别低于均值的2%和1.9%,与MESA算法相比,网络寿命延长93%以上,网络拥塞程度降低约50%,具有较好的负载与能耗均衡性。