无线传感器网络(Wireless Sensor Network,WSN)是由大量造价低、体积小的传感器节点以自组织方式构成的无线网络。通过感知、采集和分析监测数据,无线传感器网络能够检测出发生在监控区域内的异常事件。现有的WSN异常事件检测技术主要针对单个观测属性设置决策阈值或根据变化趋势检测异常事件,在涉及多类型传感器的事件检测应用中可扩展性不强。此外,WSN异常事件检测领域几乎没有与异常事件解释相关的研究。现有算法虽能发现异常事件,但无法对事件产生的原因、异常特征、特征之间的关联等信息给出有效解释说明,决策者很难直接利用。因此,研究WSN异常事件解释机制具有重要的理论意义和实际应用价值。为提高事件检测的质量,弥补现有算法缺乏事件解释机制的不足,本文提出基于多属性关联的WSN异常事件检测算法和基于关联子空间的异常事件解释算法,并设计与实现了无线传感器网络异常事件检测与解释原型系统。论文的主要研究工作如下:(1)针对现有事件检测算法仅考虑数据的时空关联性,忽略非时空属性的内在关联对检测结果的影响,导致检测误报率较高的问题,提出基于多属性关联的异常事件检测算法(Anomalous Event Detection based on Multi-Attribute Correlation,MACAED)。基于贝叶斯网络建立非时空属性依赖关系模型,通过结构学习得到非时空属性的依赖结构,对网络结构的每个节点进行参数学习得到条件概率表,从而得到不同非时空属性之间的概率依赖关系;提出属性关联置信度,用来衡量当前传感器读数与样本数据属性模式的相似程度;结合时间关联性检测和空间关联性检测,联合检测出异常事件。在真实数据集上的实验表明,MACAED算法与已有算法相比,准确率提高了2%~6.2%,误报率降低了44.5%以上,有效地抑制了干扰事件因素的影响。(2)针对现有事件检测算法没有对事件进行良好地解释的问题,提出基于关联子空间的异常事件解释算法(Anomalous Event Interpretation based on Correlated Subspaces,CSAEI)。首先基于分离度计算子空间异常得分,通过对子空间异常得分进行加权筛选出更感兴趣的低维关联子空间。然后根据条件独立性原则提出子空间相关度,设计基于子空间相关度异常子空间查找算法(AnomalousSubspace Search based on Subspace Correlation Degree,SCDASS),在合成数据集和真实数据集上的实验表明,SCDASS算法的性能与传统基于评分-搜索的算法相比有明显提高,而且可扩展性较强。最后提出基于关联子空间的异常事件解释算法CSAEI,并在真实数据集上做异常解释实验。算法输出了异常事件解释结果,为决策人员分析事件产生原因提供了有利依据。(3)为了验证本文所提出算法在实际应用场景中的可行性,本文设计并实现了一个无线传感器网络异常事件检测与解释原型系统。该系统不仅能有效地检测出异常事件,减少噪声数据和干扰事件因素的影响,而且能够以可视化形式报告异常事件信息,展示异常事件发生区域,解释异常事件发生原因。