随着物联网产业应用的迅速发展,监测物联网节点设备的异常状态以保障系统可靠性与环境安全成为物联网技术研究的新方向。物联网传感器节点异常来源于传感器自身故障与部署环境发生特定事件两方面原因。而现有的物联网工作状态监测方法主要针对节点采样数据的异常检测或仅针对节点设备故障的诊断。因此,研究包含异常节点检测和异常来源识别两部分的节点异常状态监测方法,使物联网系统针对异常状态科学决策,从而提高信息可信度,具有重要的现实意义。本文在当前基于模式识别的异常检测方法的基础上,提出物联网节点设备异常状态在线监测方法。结合物联网数据的时空相关性,应用聚类方法与模糊逻辑系统分别实现物联网节点异常的在线检测与节点异常类型的在线识别。论文的研究工作由国家重点研发计划项目(No.2018YFC0808302)支持,本文的主要研究内容和工作成果包括:(1)针对物联网节点异常状态检测问题,提出了基于聚类的物联网节点异常在线检测方法。研究了一种复合的时间序列相似度度量准则,采用改进的全局密度参数自适应确定的基于密度的聚类方法。利用物联网数据的时间相关性,通过训练阶段和检测阶段实现了针对单个传感器分别进行的异常状态检测。不同于现有基于全部节点一次性聚类的异常检测方法,降低了聚类数据维度,且动态性强能够满足实际物联网应用中异常传感器节点准确实时的检测要求。(2)针对物联网节点异常来源识别问题,提出了基于模糊逻辑的物联网节点异常类型识别方法。提取了节点空间相关系数的几何特征,研究模糊语言集与模糊隶属度函数,建立时空相关模糊规则库,最终设计了一种计算异常节点的空间相关度指标的级联模糊逻辑系统。利用物联网数据的空间相关性,通过评价异常节点的空间相关程度确认节点异常状态来源于故障或事件,实现异常节点类型在线的正确识别,从而对故障节点及时维护,对事件节点及时预警并采取紧急措施。(3)针对基于无标记物联网数据集的异常检测方法验证问题,提出通过人为模拟物联网节点异常状态,在真实数据集中注入故障节点与事件节点,生成具有异常节点标签的检测数据集,从而对本文提出的异常节点在线检测方法和异常来源在线识别方法分别进行验证的实验方法,为无监督学习中异常检测领域的算法研究提供思路。以上三部分工作,皆采用实际交通监测系统数据集进行实验分析。