无线传感器网络中的感知数据只是监测区域中有限个随机位置处物理量的观测值，用户需要根据这些离散的观测值重构出监测区域网格化的环境信息，常用的重构方法是空间插值。而在压缩感知理论框架下，环境信息能够被精确重构的前提是环境信号的稀疏性、传感器节点的位置随机性和冗余性，因此，压缩感知为离散数据的网格化提供了一个技术途径。　　本文主要研究两个待优化的问题：（1）对于监测范围大、节点稀疏的无线传感器网络，如何利用稀疏采样的感知数据重构出监测区域的全部环境信息；（2）对于大规模密集传感器网络，在保证环境信息不丢失的情况下如何传输最少的传感器节点数据。围绕上述两个主要问题，论文的主要工作及创新点包括：　　1．针对第1个问题，提出了一种离散数据网格化方案——逐层信息修正的稀疏采样信号重构方案，是一种基于压缩感知理论来补齐待监测区域的空白网格数据的方法，其优势在于比传统插值的离散数据网格化方法需要更少的采样点。该方案将传感器网络等效为对物理环境的稀疏采样，利用压缩感知算法实现离散数据的网格化，主要包括4个子算法：　　（1）提出了一种基于经验模态分解的观测矩阵——本征模函数循环矩阵。本征模函数循环矩阵与待观测信号具有相似的局部结构特征，非常适合降噪和稀疏采样信号的重建。利用Ger?gorin圆盘定理证明了其约束等距性质，以信号降噪效果为衡量标准，仿真了该矩阵的信号降噪过程，结果表明：参考信号添加一定程度的噪声后进行经验模态分解形成的观测矩阵，对信号降噪有较佳的效果，该矩阵能够更好地凸显信号的频域特征。　　（2）提出了迭代预测正交匹配追踪算法，该算法是基于正交匹配追踪算法中相邻两次迭代与残差内积最大的原子之间的内积具有区间性的结论，该结论可以支撑对下一步迭代中的原子进行高概率预测，试验表明，该算法能有效地均衡了稀疏重构中的重构精度和耗时，在保证重构精度未降低的情况下，较于其他匹配追踪算法，耗时有较大幅度降低；　　（3）提出了联合最优正交匹配追踪算法，该算法是以耗时来提高重构精度的算法，适用于观测次数较少但对重构精度要求更高的应用。　　（4）提出了逐层信息修正的稀疏采样信号重构算法，它融合了本征模函数循环矩阵和正交匹配追踪优化算法。该算法中对层的定义是：根据上一层得到的估计信号生成本征模函数矩阵，对传感器数据观测后再进行信号重构，利用传感器数据替换重构信号的对应数值生成新一层的估计信号。该算法可得到与环境信息相关度更高的网格化信号，同时能够比插值和传统压缩感知需要更少的采样点。　　2．针对第2个问题，提出了一种新的无线传感器网络数据收集方案——链路采样。与现有基于数据融合或去冗余等方法来减少传输数据量的方法不同，链路采样基于压缩感知理论框架，通过随机地建立节点与基站的单跳通信链路来收集传感数据，并根据离散数据直接重构监测区域的网格化信号。其本质是对大规模密集无线传感器网络中的冗余节点进行二次动态随机采样，主要包括2个子内容：　　（1）提出了实时链路采样算法，通过在数据收集过程中实时检测离散数据网格化后得到的信号能否体现真实环境信息，动态地调整策略以保证参与数据收集的节点数量最少，在延长网络寿命方面具有独特优势。　　（2）提出了链路采样的物理实现方案，该方案基于逆向调制和光空分多址技术实现随机地建立节点与基站的通信链路。逆向调制光通信是一种请求——应答式通信：请求端具有通信链路的主动选择权，只有被请求端发射激光瞄准的应答端才可能利用逆向反射的激光建立双工的通信链路。因此，在方案中将基站作为请求端，传感器节点作为应答端，基站通过光空分多址同时发射（并接收）多束激光分批次地收集传感数据。文中对逆向调制和光空分多址两项关键技术进行了仿真和试验，为链路采样的整体物理实现奠定了基础。　　实时链路采样方案融合了全文的算法，它的实现使得无线传感器网络针对不同的感知对象，能够自适应地确定传感器网络的空域采样比例，在减少参与数据传输的节点数量、为延长WSN寿命开辟一个新途径的同时，能够保证离散数据网格化后得到的信号能体现真实环境信息。