随着以无线传感器网络为代表的下一代无线自组织网络的兴起，人们开始关注这些不追求高速率大容量的通信而是具有特定功能的新型网络。无线自组织网络不依赖于复杂昂贵的基础设施，因而具有部署快速灵活、成本低、网络可扩展性强的特点，同时网络中的节点也受到非常严格的资源限制，包括计算能力、通信能力、存储能力和能量消耗等，网络的拓扑也经常是动态变化的。在这种情况下，计算简单、具有对抗网络动态拓扑和单节点失败的鲁棒性且无需任何全局信息的Gossip算法逐渐成为分布式传感器网络中的研究热点。　　本文研究的是在无线传感器网络中使用Gossip算法解决一致性平均问题。通过对传统的Gossip算法的分析，研究在无线网络环境下Gossip算法，提出加快Gossip算法收敛速度、减少算法通信开销的优化方案。论文的主要研究内容包括：　　研究在移动环境下的Gossip算法的性能，通过将无线传感器网络建模成单位区域内的随机几何图，使用三种移动模型刻画网络中节点的移动：双向全移动模型、有限移动速度双向移动模型和随机游走移动模型。通过数学分析证明，移动Gossip算法可以保证估计值向量收敛。利用经典马尔可夫理论中的庞加莱不等式和多货流模型分析了移动Gossip算法在三种移动模型下的收敛速度，结果表明双向全移动模型的下的Gossip算法收敛速度可以达到完全图中的收敛速度量级；而通过有限移动速度模型（有限速度双向移动和随机游走）可以更加精确的刻画不同移动速度情况下的算法的收敛速度，这对于算法开销的估计和网络测量周期的确定具有非常大的应用价值。　　研究通过扩展Gossip算法迭代周期内参与平均的用户组来加速Gossip算法收敛的方法，并提出了三元Gossip算法（TGA算法）。通过理论分析，得出了TGA算法的收敛性，并进一步指出在相对宽松的条件下，TGA算法的迭代具有比PGA算法更快的收敛速度。　　研究一种通过监听邻居节点的通信，选择估计值相差最大的邻居节点进行信息交互的方式来加速Gossip算法的方法，提出了改进的TGA算法，称为选择性TGA算法。利用无线通信的广播特性，在每次迭代中，无需增加过多的通信次数和存储空间，即可实现在邻居节点中选择两个相差最大的两个估计值和本地估计值进行平均的目的。通过这一处理，可以进一步的加速Gossip算法的收敛。　　研究一种充分利用无线网络中的广播特性的新型Gossip算法。由于无线信号的广播特性，节点的单次发送，可以使多个节点同时接收到发送信息。同时无线广播信号的信号强度是随着距离增加逐渐减弱的。也就是说在传统定义的通信半径之外的一部分节点仍然可以接收到一定强度的发送信号。本算法就是通过使用叠加编码的方式，增大接收节点用户组，加快信息传播速度，促进Gossip算法的收敛。虽然广播Gossip算法的最终的收敛值相比于初始均值存在一定的偏差，但其收敛速度非常快。因此在收敛速度要求高，但对收敛精度要求不高的应用场景中，该算法有着重要的应用价值。