无线传感器网络（WSN,Wireless Sensor Networks）是由分布在监测区域内大量的传感器节点组成。节点会采集监测区域内的目标信息，并将采集到的数据通过簇头节点传输到处理端。直接将数据进行传输会因为存在大量冗余信息，额外消耗更多能量，占据宽带资源，降低传感器网络的寿命。因此，要对无线传感器网络中的数据进行压缩处理。无线传感器节点一般是微型而又廉价的，在对数据进行压缩是要考虑到节点的计算能力。　　本文对无线传感器网络的特点进行了描述，并介绍了以往的无线传感器网络中的数据压缩方法。同时介绍了一种新型数据压缩技术——压缩感知(CS，Compressed Sensing）。压缩感知技术直接采集压缩后的少量数据，并将这些压缩后的数据传输到处理端进行重构得到原始数据。压缩感知技术具有算法计算复杂度低、压缩效果良好的特点，非常适合无线传感器网络。同时研究了利用不同节点信号相关性，将联合稀疏模型和压缩感知结合起来的分布式压缩感知（DCS,Distributed Compressed Sensing）。在介绍分布式压缩感知理论基础后，对压缩感知的基本理论进行了深刻的阐述，并对压缩感知的数学模型、信号的稀疏变换、观测矩阵的选取和信号的重构进行了细致的分析。本论文主要针对无线传感器网络中压缩感知算法问题进行了研究，主要贡献如下：　　本文提出一种改进的梯度追踪算法。该算法在梯度追踪算法的基础上提出了对步长的改进，降低梯度投影法中收缩路径的锯齿问题。通过仿真实验表明改进的梯度追踪算法兼顾重构速度和重构精度两个问题，优于已有的一些算法。　　本文提出了一种动态自组织成簇算法，该算法能在对无线传感器网络中的数据进行压缩感知算法处理后，对无线传感器网络中的节点进行有效的分簇，确保各簇内部节点间具有较强的相关性。　　本文提出了无线传感器网络中基于联合稀疏模型JSM-1的分布式压缩感知算法。该算法基于无线传感器网络中分布式的概念，对分簇后的簇内数据进行联合处理。在实际的应用当中，无线传感器网络中有大量的传感器节点，使用分布式压缩感知算法不仅能消除处理单个传感器节点内部数据的冗余信息，也能消除感知区域内部各传感器节点之间的冗余信息。实验仿真证明，分布式压缩感知算法具有更好的压缩效率和重构精度。