本文在当今世界传感器应用日益普及和普适计算技术不断发展的背景下展开研究。普适计算的主要目标是整合日常生活中纷繁复杂的信息,并为人们提供智能化服务。传感器网络作为普适计算的一个重要应用,致力于实现无处不在的信息感知、自动组网、自动计算和实时通信。扩散型事件是对火灾、台风、洪水、烟雾扩散等一系列环境问题的抽象,反映事件的时间累积性和空间延伸性。传感器网络具有布局灵活、响应能力强的特点,不失为监测扩散型事件和捕捉扩散趋势的理想选择。因此,本文研究利用传感器网络进行扩散型事件监测的问题。本文的研究工作主要包括以下内容：首先,设计了传感器节点的数据处理结构,提出了传感器网络的数据样本区分方法：在节点层面定义了同类和异类数据相关性,设计了支持动态数据相关性发现和自适应采样的节点数据处理结构,在真实数据集上的实验结果验证了该结构的能量效率和数据准确性；在网络层面,为了降低传感器数据不确定性的影响,提出了一个系统化区分框架,通过节点级时域处理、邻居级空间处理、聚簇级权重排序和网络级决策融合的方法逐层过滤原始数据,将其区分为正常样本、错误样本和事件样本。实验表明,当网内采样错误出现频率高达50%时,区分框架仍可保证97%的辨识率。与传统的事件／异常检测问题相比,该框架可显著提高样本辨识率,降低误报率,并将漏报率维持在较低水平。其次,建立了扩散型事件监测模型：提出TSEC概念模型,完整地表达了一般的事件监测数据中存在的时域、空间及事件相关性。基于TSEC模型,参考扩散型事件的领域知识,提出关联建模的方法,建立同类／异类数据相关性模型和事件抽象模型并描述二者的关联关系。这一工作首次将时间、空间以及事件相关性整合到一个概念模型体系中,并将该概念模型应用到传感器网络对扩散型事件的监测中。第三,分析了一般事件监测过程,提出了扩散型事件监测算法,并对复杂扩散型事件监测问题进行了理论分析和示例研究：基于TSEC模型分析了一般事件监测过程,并对监测过程中的关键问题提出解决方案。遵循一般事件监测的过程,针对扩散型事件监测提出基于滑动窗口的网内协作算法,在节点上用线性回归法发现事件样本点,通过聚簇内部和簇间交互计算事件的实时边界,并根据实时边界的变化判断事件的主要扩散趋势。实测数据集上的实验结果显示了该算法的数据准确性、能量效率、事件报告的及时性和监测的可扩展性。为将基本监测策略应用于复杂的扩散型事件,分别针对单源与多源扩散型事件、单一与混合扩散型事件进行了理论分析,分析结果表明,基本的监测策略易于扩展至上述两种复杂情况的监测。此外,本文还以烟雾扩散场景为例研究了风力及地形等环境因素对扩散型事件的影响,对于风力影响,提出了风力／风向节点和浓度节点协作监测的策略,浓度节点确定事件边界,风力／风向节点预测主要扩散趋势。实验显示,协作模式可保证事件覆盖率在80%-95%,而不采用协作模式的事件覆盖率仅为60%-25%。对于地形影响,提出了适应地理条件的GA-deployment布局方法,针对障碍物构成的Voronoi图对网络中的节点进行密度分级以提高事件检测概率。可用该方法对典型的网络布局结构进行扩展,扩展前后的对比实验显示,GA-deployment布局方法显著地节约了能量消耗,具有较低的事件漏报率、较高的容错性和较强的事件报告可靠性。总之,本文为一系列具有扩散特性的环境问题进行了形式化定义,设计了传感器数据处理结构,提出了传感器网络中数据样本的区分方法,建立了扩散型事件监测模型,提出了相应的监测算法,并对复杂扩散型事件监测进行了理论分析和示例研究。本文提出的思想、模型和方法也可以扩展应用于其他相关领域。