数据异常值的检测与分析是无线传感器网络研究领域的重要问题。传感器节点感测的数据异常有两个主要来源：一、网络中事件的发生会引发节点读数异常；二、节点软故障导致其读数异常。异常数据严重影响到网络用户的决策，因此异常值检测方法的研究是保障网络应用的必要措施。本文建立一个完善的异常值的检测与分析体系，其体系主要由三个检测算法组成。具体如下：　　基于信任度反馈的分布式异常值检测算法。利用节点读数的空间相关性，通过相邻节点间的读数比较，根据比较结果计算节点的初始信任度。然后根据贝叶斯原理，通过邻居节点的信任度反馈，计算节点的最终信任度，从而判断节点自身是否存在异常值。最后对异常值集合进行校准，得出准确的检测结果。通过实验仿真发现，该算法具有较高的检测率和较低的误判率。　　基于改进的低秩子空间聚类和随机森林分类的事件检测算法。利用节点读数的时间相关性，通过改进的低秩子空间聚类算法对节点时间窗口内的数据流聚类，对事件进行检测，并保存事件的数据特征。而后通过改进的随机森林分类算法，实时地对异常值分类，判断出该异常值是否为事件读数。通过实验仿真发现，该算法在缺乏训练集的条件下，能够实时快速地判断出是否有事件发生。　　基于模拟退火的最小二乘法的事件区域故障检测算法。在存在事件读数的节点集，可能存在一些故障节点，其被误判为事件节点。根据模拟退火算法原理，通过不断变换拟合节点集，对该集合中节点读数进行最小二乘拟合。在这些事件节点中，寻找出一组拟合效果较优的节点集。最后通过其他事件节点的读数与其对应的拟合值进行比较，可以判断出这些节点是否存在故障读数。