无线传感器网络可以实现对建筑物内的照度变化情况实时监测,通过采集到的照度数据进行照度场重构,而分析建筑物内照度场的变化情况且对发生与照度有关事件及态势进行判断,可以为建筑物内安防提供一个辅助手段。对于一些重点防范场所或者安全等级要求比较高的区域,通过重构的照度场实现对这些区域内的照度变化监测,可以更好判断被保护对象是否处于安全状态、非法入侵情况和及时的与监控中心形成联动报警,起到更加坚实的安全保障。针对传感器节点成本高不可密集部署的情形下可以对建筑物内的照度场进行重构,本文研究了使用CMAC神经网络重构建筑物内照度的方法,并通过遗传算法对面向建筑物内照度场重构的CMAC神经网络的学习率进行了优化。通过有限个的节点对建筑物内主要兴趣点的照度数据采集,最初采用了常见的数值插值法进行数据重构,但是精度不高;进而提出基于CMAC神经网络的照度数据重构方法,并通过实验对比了数值插值法和CMAC神经网络重构方法在照度数据重构时的误差大小,实验表明基于CMAC神经网络方法准确度高,并且满足设置的精度要求。但是CMAC神经网络在实现过程中,权值调整采用d算法,其中的学习率在选择时具有一定的盲目性。针对上述学习率的选择存在不确定性的情形,本文提出基于遗传算法的CMAC神经网络的学习率优化方法来避免选择学习率的盲目性。由于遗传算法具有全局搜索和优化计算的能力,以进化思想为基础的全新的优化方法,是一种解决常规方法不能奏效的复杂问题的有效工具。通过实验比较,发现利用遗传算法优化后的比随机选取的学习率在利用CMAC神经网络重构照度数据时更加准确,能达到预期设定的目标精度。最后,对整个建筑物内照度场重构系统的设计与实现进行研究,从系统的概述到系统的结构和功能进行阐述,再到软件设计的各个模块实现。该系统能够达到设计的要求,通过重构的照度数据以及绘制出的照度等高线分布图,为监测人员或者终端用户提供可视化功能,获知照度变化情况或者建筑物内的安全状态信息,在实际应用中具有重要的研究价值和意义。