无线传感器网络(Wireless Sensor Networks, WSNs)的覆盖与数据处理问题是无线传感器网络中的关键性问题。覆盖问题是指采用一定的节点配置策略使得网络的覆盖面积达到最大的同时并且网络的生存周期达到最长。数据处理问题是指通过研究网络的拓扑结构、路由协议及相应的数据融合方法，使得网络以最小的能量消耗完成全网的数据采集及重构任务。本文以无线传感器网络的K覆盖和数据采集及其重构问题为核心展开了深入细致的研究。通过充分利用网络布撒节点的冗余性，将网络的节点分成K个不同的组合，提出了基于博弈理论的K覆盖问题的求解算法；基于压缩感知(Compressed Sensing, CS)的数据压缩采集理论，提出了量测矩阵的优化算法，并且进一步研究了网内数据压缩融合方法。本文的主要内容包括：提出了求解同构WSNs的K覆盖问题的解决方案，即N人扑克牌博弈算法(N Person Card Game Algorithm, NPCGA)。NPCGA是一种纯分布式算法，在无中央控制器和无需全局通信的情况下，各个传感器节点仅通过纯粹的局部通信就可以完成整个博弈过程。NPCGA使得所有节点策略最终收敛于纯粹纳什均衡，并且网络的平均覆盖面积也达到了相对最优值。通过采用NPCGA，同构WSNs的生存周期在延长至原来K倍的前提下，网络对感知区域的监测性能也达到了相对最优。NPCGA的覆盖性能好、收敛速度快、算法的鲁棒性强并且非常适合用于WSNs的网络设计中。提出了求解异构WSNs的K覆盖问题的解决方案，即贪婪博弈算法(Greedy Game Algorithms, GGAs)。在该方案中，本文首先提出了典型异构WSNs的网络模型。本模型将异构WSNs中的节点关系归为对等邻居节点关系、盲邻居节点关系、潜在邻居节点关系和明确邻居节点关系等4种类型。GGAs同样是一类纯分布式算法。通过采用GGAs，能够很好的解决异构网络的K覆盖问题。当GGAs使得异构网络节点策略收敛至纯纳什均衡时，整个异构WSNs的生命周期被延长至原来的K倍，并且异构网络的平均覆盖面积也获得了相对最优值。GGAs在网络的异构率不断增加的情况下，仍然能够在最大程度上削弱信息的不对等对网络覆盖率产生的影响。在异构网络中，GGAs仍然能够保持在覆盖性能、算法的收敛速度、鲁棒性能及网络设计方面的优势。提出了应用于网内数据压缩采集的量测矩阵构造算法(Measurement MatrixConstruction Algorithm, MMCA)。以固定的稀疏矩阵Ψ为前提，通过紧缩和交互投影理论对量测矩阵Φ进行逐次优化。最终，本文得到了与Ψ的相关性相对最小的量测矩阵Φ。 MMCA能够对不同类型的随机量测矩阵Φ进行优化，并且其优化结果相对较好。MMCA易于实现并且收敛速度快。通过对互相关系数、z阈值平均相关系数和积累相关系数的综合性分析，从本质上得出了MMCA的优势所在。仿真及实物实验表明在保证网络终端节点对源数据重构率的前提下，MMCA优化的量测矩阵Φ能够有效的降低网内数据的传输量。提出了基于K覆盖的网内数据处理的整体性方案。通过采用该方案，本文从本质上实现了WSNs在延长网络生存周期的前提下，对网内数据进行高效处理的目的。本文提出了基于最小能量消耗的最优数据融合树(Optimal DataAggregation Tree, ODAT)的构建算法。ODAT从本质上是一个以网络终端(sink)节点为树根的最小生成树(Minimum Spanning Tree, MST)和最短路径树(ShortestPath Forest, SPF)组成的有机整体。基于对K覆盖网络节点的轮询调度并且采用ODAT算法，本文从本质上将网络节点的数据传输量降到了最低，并且同时使网络的生存周期延长至原来的K倍。基于量测矩阵的构建算法和扩散小波稀疏矩阵构建方法，终端节点采用相应的数据重构算法对源数据进行了高效重构。