随着网络的快速发展,无线传感器网络(Wireless Sensor Network,简称WSN)技术的用户规模快速的增长。WSN包含了大量的传感器节点,这些节点被部署在监测区域内,节点间协作的感知、采集和处理被监测对象。虽然WSN应用极为广泛,但其自身有着节点数量众多、短距离通信、资源能源有限等特点。如何有效的进行感知数据信息的传输,节省通信能量是近几年来WSN研究的重点和热点。　　当采集的数据存在大量冗余时,为了提高 WSN中节点的使用效率,延长网络的生命周期,数据融合技术孕育而生,它的核心思想是对来自不同源节点的感知数据进行处理和优化,在不影响实际应用效果的情况下减少数据的传输量,从而达到延长网络生命周期、降低通信开销的目的。另外数据的质量问题也影响着 WSN在应用中要实现的价值,每个传感器节点的能量都是有限的,节点的体积小构造简单很容易造成感知数据的缺损。大量数据的缺失或破坏会造成想象不到的结果。因此本文主要的工作即围绕基于数据压缩的数据融合和感知数据中缺失值的估计进行分析和研究。　　通过对WSN中感知数据压缩和处理技术的研究,设计了一种基于拟合模型的数据压缩算法,该算法基于样条拟合的思想对网络节点上缓存的数据进行压缩处理,得到一个最佳拟合模型,仅传回给汇聚节点一个最佳模型而不是所有采集的感知数据,与TinyDB模型和AC模型比较之后可以看出该算法有很小的数据传输比。在现有WSN特点上,该算法可以有效的减少数据在通信过程中的传输能耗,进而延长了网络生命周期。另外设计了一种感知数据中的缺失值估计模型,基于时间相关性的多元线性回归模型和最大似然估计模型的参数估计算法,结合这两种模型提出了一种新的缺失值估计算法,该算法不仅可以准确的估算出某时刻缺失对象的信息,而且在时间序列不满足线性模型的情况下仍可以对缺失值进行估计,实验表明该算法有很好的可靠性和稳定性。　　最后,采用Intel-lab数据集和ZigbeX模块真实采集的数据集,对上述两种算法进行性能测试,实验结果表明新的数据融合算法可以有效降低了通信能耗,延长网络生命期,新的缺失值估计算法有效的提高了感知数据的可靠性和稳定性。