信息、来源的模拟化与信息处理工具的数字化成为信息时代的两大主要特征。信号的采样是联系这两大特点所必须的桥梁。然而随着信息需求量的不断增加及带宽的不断加宽,使得现有的采样定理对宽带信号的处理越来越难,也就给信号的采集、储存、传输、处理等带来了极大的压力。例如在传感器网络中,随着节点的不断增多,网络的功能不断加强,其海量的数据传输及储存就是一个艰难的工作。本文详细介绍了无线传感器网络的数据处理理论和压缩感知理论。在此基础上,将压缩感知的方法引入到无线传感器网路的数据采集处理过程中,即在传感器节点稀疏采集数据并观测结果,使得网络只需要传送和储存少量的数据,同时在接收端利用重构矩阵重构出原始数据。以一个综合温度、湿度及气体传感器的传感器阵列作为网络的一个节点,将它测得的数据作为待处理数据,进行稀疏和观测,观测得到的数据不到原数据的20%,重构数据原始数据的逼近误差为1.5011。又针对一个只由气体传感器所组成的传感器阵列作为一个节点进行数据的稀疏和重构,再利用BP神经网络对重构后的数据进行气体定量和定性的识别,找到能使CO、H2、CH4三种气体达到定性识别的最小的稀疏系数m,再找到能使CH4定量检测的精度达到80%的最小稀疏系数m。利用网络中节点间感知数据空间相关性,对网络的感知数据进行压缩、重构。最后,通过仿真分析了压缩感知在能量有效性方面的性能,仿真结果表明压缩感知以能量有效的方式满足了无线传感器网络中事件估计的精确度要求。