Redes de sensores sem fio (rssfs) são utilizadas em diversas áreas para rastreamento e monitoramento de ambientes. a facilidade de implantação dessas redes, associada ao baixo custo dos nodos, incentivam a sua utilização para fins comerciais, militares e industriais. entretanto, as rssfs de larga escala, por possuírem uma grande quantidade de nodos implantados, geram uma grande quantidade de dados brutos. além disso, em virtude da própria natureza dessas redes, dados anômalos (outliers) podem ser gerados, comprometendo a confiabilidade dos dados. de forma geral, a utilização de técnicas para detecção e identificação (classificação) de outliers é essencial para manter a confiabilidade dos dados para que futuras tomadas de decisões sejam realizadas. devido às restrições de hardware dos nodos, as técnicas tradicionais de detecção e identificação de outliers geralmente não são aplicáveis às rssfs. sendo assim, a aplicação de técnicas de baixo custo computacional é uma das únicas soluções viáveis. o objetivo desse trabalho de mestrado é analisar e aplicar técnicas de detecção e identificação de outliers, de baixo custo computacional, para rssfs de larga escala. a abordagem proposta é dividida em duas etapas: a primeira para detecção de outliers, através da aplicação de técnicas baseadas em estatísticas. a segunda etapa é dedicada à identificação de outliers, por meio da combinação de correlações espaciais e limites pré-definidos. para avaliação da proposta é utilizado o simulador omnet++/castalia. os resultados obtidos através das simulações mostraram que é viável a utilização de técnicas baseadas em estatísticas com baixo custo computacional, para a detecção e identificação de outliers em rssf de larga escala.