拓扑特征提取是传感器网络研究中的热点之一，充分利用网络拓扑特征，有助于设计高性能的网络协议，提高网络服务质量，延长网络生命周期。骨架是传感器网络拓扑特征研究的关键技术之一，已在网络路由、定位、分割以及导航等方面发挥着重要作用。此外，当前的许多协议要求网络布置在形状规则的区域中，否则这些协议的性能就会大为降低，这使得网络分解也成为传感器网络的一大研究重点。本文的主要工作围绕骨架提取与网络分解展开。在计算机视觉等领域，骨架提取与分解技术已广受关注，产生了大量研究成果，但这些成果不能直接应用于传感器网络，这是因为在传感器网络中，每个节点仅仅知道其邻居节点信息，而节点的位置信息通常是未知的；而且，由于传感器节点能量和计算能力等的有限性，传感器网络中的算法应具有分布式特点，而计算机视觉等领域中的算法则是基于位置信息的集中式算法。基于上述原因，传感器网络中的骨架提取与网络分解依然面对很多挑战。本文研究在大规模、静态二维传感器网络中，基于连接信息的骨架提取与网络分解算法，主要有以下几个方面内容：1、在传感器网络边界完全已知的条件下，提出了一种稳健的分布式骨架提取算法。提出了节点曲率和角点的定义，以此为基础提出了边界划分的方法。建立了边界划分与骨架节点识别的关系，提出了传感器网络多尺度骨架的建立与优化方法，证明了算法的时间和通信复杂度为O(N)，其中N为网络节点数。2、研究了网络部分边界已知的条件下的骨架提取。设计了建立距离变换的分布式算法，提出了基于距离变换的骨架定义，构建了骨架节点的连接准则，分析了算法的复杂度，并通过大量仿真实验验证了算法性能。3、研究了骨架节点与节点邻居数分布的关系，提出了基于节点邻居数的骨架节点识别方法，分析了参数对骨架节点识别的影响。建立了新的骨架节点连接机制，提出了识别骨架环的基本原理，验证了算法对网络密度、网络通信模型，以及网络节点分布等具有很强的稳健性。4、建立了网络凸分解的理论框架。提出了更一般的曲率定义，设计了低复杂度的分布式网络凸分解算法，建立了网络定位误差与网络凹度的联系，提出了一种改进的基于多维标度法的定位算法，并通过实验证明了近似凸分解算法的兼容性。