无线可充电传感网络（WRSN）在目标跟踪、环境监测、疫情监控等领域有着广泛的应用。由于传感器节点能量有限,因此能量约束成为了限制传感网发展的关键问题。随着能量传输技术和采集技术的发展与运用,对传感器补充能量成为可能。其中使用移动充电器的移动充电技术是WRSN实现快速、大量能量补充的最佳选择之一。与此同时,机器学习技术的快速发展给各领域的研究人员带来了解决问题的新思路。本文研究如何将机器学习中的无监督学习应用于移动充电调度优化问题。（1）针对移动充电调度优化中充电延迟较大的问题,首次提出一种基于簇的自适应的充电调度优化算法（ACS）。该方法首先通过带权重的聚类算法来实现分簇。其次,将停止位置选择问题视为函数最优化问题,通过梯度下降方法来进行优化。然后,在确定了停止位置的基础上算法通过考虑传感器节点的空间约束和MC的电量约束来制定适应度函数,并通过遗传算法求解路径规划问题来确定最终充电路径。广泛的实验结果表明,ACS算法在停止位置选择步骤可以将簇平均充电延迟降低32%～66%,在路径规划步骤可以将簇平均充电延迟降低45%。（2）现有移动充电调度方案没有考虑WRSN中传感器节点间拓扑关系的差异性以及由此差异所带来的脱节传感器数量最小化问题。针对该问题提出基于图嵌入方法的脱节传感器数量最小化的充电调度优化方法。其基本思想是基于图嵌入方法来表征传感器节点间拓扑关系的差异性,并根据该差异性规划充电路径以满足脱节传感器数量最小化的优化目标。方法首先通过重力随机游走来将网络结构序列化,然后根据序列将传感器节点向量化。其次,基于向量表征量化传感器节点重要性的替换损失。最后采用基于拟阵的贪心充电调度策略产生优先任务集合。仿真结果表明相较于其他算法,所提算法可以将网络的脱节传感器数量降低51.6%～76.3%。（3）考虑能量传输过程中存在的充电排他性影响以及监测系统对区域的监测覆盖增益,研究充电排他性下覆盖增益最大化问题。针对该问题首次提出自下而上的最大化监测覆盖增益（BMCG）策略。BMCG策略主要包含两个步骤:首先利用基于层次聚类思想的排他性聚类（EC）算法,将原问题转化为从停止位置候选集中选择最优子集问题。使得求解空间从无限转化为有限。基于对该问题性质的证明,提出了一种近似算法以达到充电排他性约束下的系统监测覆盖增益最大化。仿真结果表明,BMCG方法与现有考虑充电排他性的算法相比能够提升监测覆盖增益28.8%～39.1%。