由于无线传感器网络具有普及性、易用性、价格低廉等特征,如今在许多工业和科研中得到越来越多的应用。目前国内主要通过自动气象站来监测各种气象要素,但是由于其建设成本昂贵,往往不能够进行高密度的部署。利用无线传感器网络对地表空气温度进行监测,可以很大程度地降低监测成本,并且它具有部署简单、机动性强等特点。然而在这种方案中,使用的廉价传感器和保护外壳材料都不够专业,传感器节点在感知温度的同时会受到太阳辐射、降水、降水等天气的影响,导致感测值偏离实际数据。并且在节点运行过程中还会产生部分异常值。因此,本文提出了一种基于BP神经网络的误差修正方案和基于滑动窗口的异常值修正方案,本文研究内容和创新成果如下:1、针对气象无线传感器网络中单个节点的感测数据进行预处理与分析,通过与标准温度进行对比,找出了影响空气温度数据质量最为强烈的因素为太阳辐射强度。然后设计了一个BP神经网络模型,以太阳辐射强度作为输入参数,节点温度与标准温度之间的误差作为输出参数,建立修正模型。在修正阶段,用测试数据中的太阳辐射强度值作为输入,得到各个时间节点需要修正的值,然后用实际感测值减去修正值,得到修正后的数据。实验结果表明,该方法能够大幅度修正异常值。2、在利用BP神经网络修正的基础之上,为了检测温度时间序列数据中的异常值,提高数据质量和决策质量,提出了一种基于滑动窗口预测的异常值检测算法。该方法首先利用滑动窗口把时间序列进行分割,然后根据历史数据建立预测模型,用它预测未来的值。假设观测值在给定的预测置信区间之外,就被认为是发生了异常并且需要修正,其中置信区间可以由预测值和置信系数来计算。文中讨论了该算法的滑动窗口大小和参数设置,并结合实际数据对算法进行了验证。实验结果表明,该算法不仅能有效地检测出气象数据的时间序列中的异常值,而且能显著提高校正效率。