无线传感器网络是由部署在监测区域内大量的传感器节点以多跳自组织方式形成的网络。有效的链路质量评估为路由协议选择高质量链路进行数据转发提供参考,不仅能保证数据的稳定传输,提高网络的吞吐量,还能减少数据重传次数,进而降低节点的能耗,延长网络寿命。本课题来源于国家自然科学基金,研究无线传感器网络链路质量评估方法。论文分析了无线传感器网络的链路特性和现有的链路质量评估方法,考虑链路质量评估的及时性和低能耗,确定基于硬件参数进行链路质量评估。通过实验分析了硬件参数与包接收率之间的相关性,选择接收信号强度指示、链路质量指示以及信噪比作为链路质量综合评估参数,依据包接收率划分链路质量等级,将链路质量等级作为链路质量评价指标。在此基础上,提出了一种基于超限学习机(Extreme Learning Machine,ELM)的链路质量评估模型,该模型针对链路样本中的噪声,采用卡尔曼滤波进行去噪;由于链路质量样本数的不平衡性,导致由超限学习机构建的评估模型性能下降,采用样本加权和正则化方法进行了优化,并提出了采用粒子群算法实现基于数据驱动的参数自适应模型训练算法,完成模型构建;采用G_mean值和准确率评价评估模型。论文选定在广场、校园树林、室内走廊中进行实验,收集了大量的链路数据,分析了链路在不同场景下的时空特性。分别采用Sine、Hardlim、Sigmoid作为激活函数构建ELM评估模型,实验结果表明,采用Sigmoid函数的评估模型性能最优;分别采用ELM算法、加权ELM算法(Weighted ELM,WELM)、改进WELM算法构建评估模型,实验结果表明,采用改进WELM算法的评估模型性能最优;与基于支持向量分类机的链路质量评估模型相比,本文模型在不同等级的链路评估中具有更高的准确率和G_mean值。