在基于无线传感器网络的智能环境系统中,设备的自动控制依赖于将感知到的环境信息与用户自定义的规则相匹配的推理过程。随着无线传感器网络的发展和业务逻辑的日益繁杂,智能环境中传感器数据和规则集规模得到极大增长。然而,传统的产生式推理系统的规则匹配效率低下,且大量的传感器数据导致的过大规则匹配期间的实时特征计算量降低了推理实时性,同时边缘设备受限的内存资源难以应对如此庞大的数据量。另外,新用户的需求和用户新的需求为传统产生式推理系统僵化的业务逻辑带来挑战。针对上述问题,本文设计了节点智能层次模型和一种适用于无线传感器网络的基于规则推理引擎的数据预部署方案（Data Pre-Deployment Scheme,DPDS）,具体包含以下工作内容:（1）设计并提出了节点智能层次模型,该模型通过使用动态的脚本配置过程取代原有工作模式中静态的程序代码封装,以达到系统中硬软件资源的动态分配、业务需求与硬件设备解耦合的目的,进而提高系统灵活性与实现针对不同业务的系统快速部署。（2）设计并提出了DPDS架构,该架构主要由规则解析与预处理模块、规则网络和轻量级特征表（Light-weight Characteristic Table,LCT）组成。它利用规则解析与预处理模块完成对规则集解析所得到的原子条件与统计单元,构造了规则网络和轻量级特征表。轻量级特征表对特征进行预计算并对特征值进行预存储,使推理时规则网络直接引用LCT中的特征值而无需进行实时特征计算使推理效率和实时性得到显著提高。另外,利用系统内存占用量的静态可预测性,设计了LCT预部署方案,这一方案使推理期间的内存占用量能够与系统的内存资源相适应。最后,以基于到达时间差（Time Difference of Arrival,TDOA）的声源定位的时延估计为例,将DPDS应用到了时延估计中。（3）通过与传统产生式推理系统和使用RETE算法的推理系统进行对比,从理论上证明了DPDS在时间复杂度和空间复杂度上的优越性。设计了对比实验比较了在不同规则数目、不同数据流流速和不同最大滑动窗口大小下DPDS与传统产生式、使用RETE算法和使用模糊处理和B+树结构的RETE算法的推理系统的优劣。