随着微机电系统,无线通信技术以及低功耗嵌入式技术的快速发展,无线传感器网络逐步成为一种有竞争力的信息感知和处理技术,其在军事信息探测,智能家居,医疗健康,恶劣环境监控等领域均有广泛的应用。随着传感器网络节点的长时间工作,部分节点逐步失效,使得网络的服务性能降低。如何充分节约无线传感器网络中节点的能量已成为国内外广大学者的研究热点。由于传感器网络中节点的密集部署,节点之间的大量冗余数据传输会造成一定程度的数据碰撞,使得传输的数据无效而浪费节点的能量;另外,传感器的六个组成模块中数据传输模块的耗能最大。为了减少网络中的数据传输量节约其能量,数据预测机制是一种有效的解决方法。数据预测的准确度是衡量数据预测机制有效的重要标准之一,因此提高节点预测算法的准确度具有重要的理论意义和应用价值。本文从数据预测准确度和网络能量效率两个指标进行展开,在时间维度上使用马尔科夫链修正过程来解决单节点的噪声问题,在空间维度上使用马尔科夫随机场解决多节点的噪声问题。本文主要工作为:(1)研究了带噪声干扰的单节点数据预测问题,提出了一种基于马尔科夫链的数据预测算法(MC-DP)。该算法首先对传感器节点感知的数据进行弱化处理来提高数据序列的光滑性,然后采用离散灰色预测模型对节点需要向sink传输的数据序列进行预测,当节点预测的数据精度不够时,进一步使用基于马尔科夫链的数据修正过程来对其进行改进。实验结果表明,MC-DP算法预测准确率更高,预测序列的数据误差率更低,使用该预测算法使得传感器节点可以节约更多能量。(2)研究了带噪声干扰的多节点间数据预测问题,提出了一种基于灰色关联度的数据预测算法(GR-DP)。该算法首先使用马尔科夫随机场对传感器网络节点进行去噪,然后计算同一簇内的簇内成员节点和簇头节点数据的灰色关联度,并对其进行归一化处理,然后根据簇内成员节点和簇头的灰色关联度修复簇头节点的数据预测参数,并将预测参数发送到sink节点,最后在簇头节点和sink节点之间同时进行数据预测,当数据精度不够时,采用傅里叶级数进行数据修正。实验结果表明,GR-DP算法预测准确率更高,网络的能量效率更高,使用该预测算法使传感器节点可以节约更多能量。