随着信息技术的发展,各种自动化和智能化管理控制技术都得到广泛应用。物联网作为信息化的重要组成部分,已成为重点研究的问题之一。而传感器感知数据对物联网的应用有非常重要的意义,物联网的价值之一就是为上层应用提供有用可靠的数据。由于传感器自身结构的特点以及一些外界的影响,传感器数据缺失不可避免。为了更好挖掘有效的数据信息,对缺失数据进行重建就显得尤为必要。目前多数数据重建方法都是基于单一属性,具有一定的局限。本文通过分析各个属性之间的特征以及时-空相关性,并对几种数据重建方法进行分析,建立能够更加准确重建缺失数据的模型。首先,分析真实感知数据集中的数据特征。本文针对数据的时间稳定性以及空间相关性进行分析,通过数据可视化的方式对同一节点不同时刻的数据以及不同节点同一时刻感知数据的关系进行描述并具体分析。其次,建立缺失数据重建模型。本文在上述相关性分析的基础上,基于时间稳定性建立多元线性回归LR模型,基于空间相关性建立BP神经网络模型,并确定模型参数。然后利用两种模型分别对缺失数据进行估计。接着对其估计结果通过Softmax函数赋予相应的权重,建立基于时-空相关性的重建模型。最后,基于数据缺失重建模型进行实例验证。本文以均方误差MSE作为算法性能评价标准,在真实数据集对本文中提出的几种模型进行实验。通过对不同参数调整,对不同的模型预测结果进行评估分析。结果表明,本文所建立的基于时空相关性LR_BP模型估计效果比单一属性建立的估计模型准确度高。通过与LIN和KNN两种数据重建的经典方法进行对比,发现本文采用的线性回归与BP神经网络估计数据的方法,比其他方法重建效果更好,误差更小。