在大规模部署的无线传感器网络中,通常无法获得环境真实值作为传感器数据校正的参考,因此传统的方法很难实现有效校正。而盲校正方法可以仅根据收集到的观测数据,对网络中每个传感器数据进行校正。但现有的盲校正方法大多假设传感器的观测信号是时不变的,且部分存在收敛速度慢的问题。本文针对无线传感器网络中存在多个时变观测信号的场景,提出了一种基于混合状态空间模型的传感器数据盲校正方法,以提高盲校正方法收敛速度和传感器校正参数估计准确度。论文的主要工作如下:1.针对无线传感器网络中存在多个时变信号的场景,将传感器数据盲校正问题建模为既有连续变量又有离散变量的混合状态空间模型,利用模型中的参数S_n（t）和Z_n（t）,并结合狄利克雷过程（Dirichlet Process）,实现传感器数据聚类;2.针对混合状态空间模型中的非线性观测信号参数χ_k（1:T）,提出无损变换-前向后向（UT-FB）算法,该算法利用无损变换的思想,可以在最大程度还原非线性函数特征的基础上,根据时间序列中时刻前后的观测值来更准确地估计时刻信号参数χ_k（t）的后验分布,以达到提高校正参数估计准确度的效果;3.通过在参数后验分布中加入决定下一步采样方向的隐变量,改进马尔科夫链-蒙地卡罗采样算法,从而在保证参数估计准确度的同时,提高采样算法的收敛速度;得到采集到的样本后,再根据马尔科夫链总会达到稳定分布的性质,舍弃达到稳定分布之前采集的不精确样本,进一步提高校正参数估计准确度。本文首先对包括本文提出方法在内的四种无线传感器网路数据盲校正方法进行仿真分析,然后在IBRL提供的真实数据集上进行验证。结果表明,与对比方法中表现最优的相比:在对传感器增益和偏移估计的均方误差值方面,本文所提出的方法在仿真分析中分别减少了1.742×10^-3和0.1729,在真实数据集验证中分别减少了2.193×10^-3和0.1145;在校正方法收敛速度方面,本文所提出的方法在仿真分析中加快了1.7792s（约47%）,在真实数据集验证中加快了0.7609s（约33%）。