随着嵌入式应用以及微电子技术的快速发展,无线传感器网络技术应用越来越广泛(Wireless Sensor Network,以下统称WSN),由于WSN一般被部署在环境比较恶劣且无人值守的区域,因此,WSN节点容易出现感知失效或者损坏的状况,其中传感器模块的故障尤为常见。针对传统的故障检测算法中存在故障检测准确率过低、故障检测误警率过高、阈值设定专家依赖性强的问题,本文进行了具体研究,并在实际应用场景下,进行了应用验证,研究内容如下:首先,进行了基于感知数据的WSN节点故障检测方法的研究。针对传统WSN节点故障检测算法中存在刻画感知数据能力不强、未能多方面利用数据的时空相关性、故障检测准确率不高等缺陷,提出一种新型的节点故障检测方法。该方法的创新在于建立多维感知数据的数学模型,该模型包括两个核心部分,首先是将每个节点获取的感知数据建立多维空间向量;其次,构建十字滑动窗口,从时间相关角度引入自身历史数据作为横向窗口,从空间相关角度引入邻居节点感知数据作为纵向窗口;然后通过异常节点检测机制达到检测故障节点的目的。经实验验证,WSN节点的故障检测准确率提高了15.5%,误警率降低了4.89%。其次,进行了基于人工神经网络的传感器模块故障智能检测方法的研究。针对传统的故障检测方法,存在判定不准确、过于依赖专家经验、非智能化的现状,在对节点故障检测方法的研究基础上,提出一种基于人工神经网络的WSN节点传感器模块故障智能检测方法,为选取最为合适的一种人工神经网络,本文分别选取了BP、RBF、Hopfield三种神经网络算法进行对比实验,实验结果表明BP神经网络在传感器故障检测方面较其他人工神经网络有较好的识别效果。基于BP神经网络的故障传感器模块检测方法不仅提高了故障感知模块检测的准确率,还解决了故障阈值设定过分依赖专家经验的问题。最后,WSN智能化故障检测原型系统的设计与实现。该原型系统实现了基于感知数据的WSN节点故障检测方法和基于BP神经网络的节点传感器模块智能故障检测方法,包含数据管理、节点管理、故障检测等模块,并在实际应用场景下进行了实际验证,证明了理论的有效性。