采集数据的完整性对支持无线传感器网络的应用具有重要的意义。而实际的采集数据普遍存在丢失数据这一现象,约束了其应用的范围和有效性。目前,主流的数据重建方案往往基于感知数据之间的空间相关性,通过采用插值方法对数据进行重构。这种方法存在以下两个主要的问题:首先随着数据丢失率的增加,感知节点间的空间相关性会随之降低,从而降低数据重建的准确性。其次,传感器网络感知数据之间不仅有空间上的相关性还有时间相关性等其他特性有待研究。针对上述不足,本文首先研究网络数据集的丢失模式,将其主要分为两种具体情况,分别为感知数据的随机丢失和块随机丢失。在此基础上,本文通过分析和建模采集数据集的时空相关性,构建数据相关性的方法。论文的主要工作包括以下几个方面。第一,本文研究了基于曲面拟合的无线传感器网络数据修复问题。针对现有基于空间相关性的数据修复算法存在的不足之处,本文探索了传感器网络的数据时空相关性问题和数据的丢失模式。本文提出了基于感知数据时空相关性的数据修复算法(DRA),其使用曲面拟合来探索数据集的空间相关性,并同时使用数据的时间相关性控制重建数据的误差范围。实验表明,与相关工作相比,所提出的数据重建算法能显著降低修复数据的误差率。而且当数据的丢失率增大时,DRA算法的修复效果也能保持在较好的水平。第二,本文研究了基于马尔科夫随机场的无线传感器网络数据修复问题。针对感知数据空间相关性的不确定,即不同物理数据集其空间相关性具有不同的特性。马尔科夫随机场模型能够自适应数据相关程度的不确定性。本文使用马尔科夫随机场(MRF)对感知数据的空间相关性进行建模。本文提出了基于时空相关性结合的数据重建方法,其将数据的时间相关性作为约束项提高数据重建的正确性。实验结果表明,所提出的算法在对实际室内光照数据修复的结果和相关工作比较有较大的性能上的提升。