无论是以事件监测还是时空数据采集为目的的无线传感器网络,都迫切需要一种实时的异常值检测方法。然而,无线传感器网络节点的计算能力、存储能力和电源电量都非常有限。这为寻找适用无线传感器网络的异常值检测方法造成了很多限制。本文针对无线传感器网络中数据具有时空相关性特点提出了两种适用于无线传感器网络的异常值检测方法。基于贝叶斯分类器的异常值检测方法。首先,在超椭球几何理论的基础上给出一种节点相似度的定义。当网络部署在复杂环境中时,利用本文定义的相似度选择邻居节点,优于仅仅依靠节点间距离远近的方法。其次,对网络进行分簇并为簇内构建链式的贝叶斯分类器进行推理,在提高检测准确率的同时,将可能的错误传播限制在一定范围,避免对整个网络的破坏。该模型可以实现实时的异常值检测。基于可变阈值的异常值检测方法。从数据的时间相关性出发,定义了一种异常因子,并通过异常因子将数据分为正常态,临界态和异常态。计算异常因子公式的分母是一个随数据动态变化的阈值。在马尔科夫假设和大量仿真实验的基础上,结合数据的三种分类给出了动态阈值随数据变化的更新机制。该模型可以实现实时的异常值检测。