无线传感器网络(Wireless Sensor Networks, WSNs)是一种面向任务的无线自组织网络系统,通常由大量密集部署在某个监测区域内的传感器节点以及一个或多个位于区域内或区域附近的数据汇聚节点组成。由于传感器节点在电源能量、通信能力、计算和存储能力等方面存在局限性,因而如何使多个传感器节点协同工作并完成既定的任务,同时优化网络拓扑结构,是进行无线传感器网络自组织设计的重点和难点。在现有关于无线传感器网络的自组织方法中,多通过路由协议和拓扑控制技术来实现,这两种方法主要关注于如何提高网络能量效率,延长网络的生存时间。但是,在无线传感器网络的实际应用中,通常对任务的完成质量要求较高,尤其是当任务有很高的实时性要求时,就需要牺牲部分节点的能量,通过节点间的协同作用和自组织过程,高质量且高效的完成任务。因而对于体积小、价格低廉的传感器节点而言,设计出一个面向任务分配的无线传感器网络自组织机制是合理且迫切需要的。本文基于分布式任务分配场景,提出了一种基于Q-学习算法的无线传感器网络自组织机制,该机制旨在通过节点间的自组织过程,高质量且高效的完成任务。该机制基于任务分配过程中节点完成任务的情况,通过设定节点完成任务频数阈值,统计完成任务次数较多的非邻居节点和很少完成任务或从未完成任务的邻居节点,并将其加入到分配任务的源节点的候选邻居集合中,然后采用Q-学习算法学习到达贡献资源节点的最优路径,进而调整节点间的连接关系；同时,删除源节点候选邻居集合中很少完成任务的邻居节点；从而优化网络拓扑结构,确保在高效分配任务的前提下减少网络平均传递延时,并自动适应外界环境变化。此外,在综合考虑了无线传感器网络拓扑结构多变的情况下,提出了一种在开放环境下传感器节点间进行自组织的机制,该机制分析了无线传感器网络拓扑结构动态变化的情形,针对新节点加入网络和网络中节点离开等导致网络拓扑动态改变的情况,提出了相应的解决方案。该机制使每个传感器节点基于TDR和历史信息建立合作邻居。这种合作邻居关系进而有助于传感器节点在未来高效地分配任务。仿真实验结果表明,在相同规模的网络中部署相同数量的节点,上述两种算法在网络的整体收益、时间消耗、平均传递延时和成功完成任务比率等方面,表现出了优于其它机制的性能。同时,采用本文所讨论的机制能够优化网络拓扑结构,缩短平均传输延迟,高效完成任务。这也表明了两种机制的潜在应用。