近年来,随着传感器技术,计算机网络和无线通信的快速发展,无线传感器网络已成为重要的研究对象并被广泛应用于医疗、军事、环境监测等众多领域。在环境监测领域,大规模的无线传感器网络通常被部署于无人监管、气候复杂的野外环境中。在长期使用的过程中,传感器网络中的数据经常遇到漂移、丢失等问题。这对于终端用户来说是一个严重的问题,因为在无线传感器网络的环境监测应用中必须使用精准的数据,才能制定科学决策。本文针对环境监测中无线传感器网络的数据漂移和数据缺失问题,提出了三种不同的漂移校准和缺失值重建算法,并通过实验验证了算法的性能。主要工作如下:(1)提出了一种基于遗传算法优化的BP神经网络与卡尔曼滤波器相结合的无线传感器网络数据漂移盲校准算法(GABP-KF)。针对传统的BP神经网络在训练的过程中容易陷入局部最优解的问题,GABP有效地结合了BP神经网络的局部搜索能力与遗传算法的全局搜索能力,从而有效地提高了神经网络的预测精度。仿真实验表明,GABP-KF漂移校准时,保持了较高的模型拟合度,在校准精度上也优于传统算法。(2)提出了一种基于约束极限学习机与卡尔曼滤波器相结合的无线传感器网络数据漂移盲校准算法(CELM-KF)。针对传统的极限学习机的参数在随机选取时容易导致模型精度不稳定的问题,利用样本间的差异性约束优化处理网络的权值和阈值以提高预测精度的稳定性。仿真实验结果表明,CELM-KF在训练时间、模型拟合程度、校准精度等方面均比同类算法有明显优势。(3)提出了一种基于自适应的K-均值算法与模糊神经网络相结合的无线传感器网络缺失数据重建算法(KM-FNN)。传统的数据重建方法主要依赖于传感器节点的感知数据的时间相关性或部署位置的空间相关性,导致在真实的应用场景下,数据重建精度较低。针对这一问题,引入自适应机制用来及时更新训练模型,并使用模糊神经网络重建缺失数据。仿真实验表明,KM-FNN相较同类算法具有更好的缺失数据重建性能。