气象传感网具有体积小、成本低、部署易、对环境影响小、精度高等特点,适用于气象环境监测。由于气象传感器节点的密集部署和温度湿度等气象要素的时空连续性,导致节点采集数据具有数据海量、时空相关性高、冗余度高等特点,将所有冗余数据传送给基站将会耗费网络大量能量。针对冗余数据进行数据融合可以有效降低数据传输量。压缩感知理论为数据融合提供了新的思路。本文的主要工作就是通过探索感知数据的时空相关性研究基于压缩感知的气象传感网数据融合技术：介绍了气象传感网网络结构,概述了气象传感网数据融合技术,分析了数据融合在气象传感网中的作用。概述了压缩感知技术,分析了现有基于压缩感知的数据融合技术及其性能,为进一步研究气象传感网数据融合提供准备工作。针对簇内感知数据的时空相关性,本文首先提出一种基于压缩感知的气象传感网时空相关数据融合模型CSSDF (Compressed Sensing based Spatial-temporal correlation Data Fusion model)。模型将簇内采集数据从空间域扩展到时域,在簇头节点上构建对角高斯随机测量矩阵对多个采样回合的采样数据进行压缩融合,在降低数据传输量的同时降低融合造成的时间延迟。分析了稀疏异常数据对压缩重构的影响,并提出针对稀疏异常数据的处理方法。仿真结果表明相对于直接传输及仅基于空间相关的数据融合,CSSDF具有更好的压缩性能,更高的恢复概率,并且能够及时处理稀疏异常数据。针对采集数据的时空相关性和节点带宽资源有限等问题,本文提出了基于压缩感知的能量均衡数据融合算法CSEBDF (Compressed Sensing based Energy Balance Data Fusion algorithm)。每个采样回合在簇内随机选取节点参与数据采集及融合,节点选取过程引入剩余能量促使能量均衡消耗,针对异常数据提出相应处理方法,并利用采集数据的时空相关性在基站处联合重构进一步降低参与数据采集节点数。仿真结果表明与压缩感知与LEACH结合的信息采集方案相比,CSEBDF对网络内簇个数要求更低,在相同情况下,CSEBDF中每个簇内参与数据采集的节点个数更少,对网络生命周期的延长更为有效。