无线传感器网络(Wireless Sensor Networks,WSN)因具有网内传感器多样性、适应性和可靠性,网络本身部署快速性、自组织性、高容错性和高隐蔽性等优秀特性,被广泛应用于多个领域。但其网内传感器节点数量较多、网络规模较为庞大,因此也存在网络拓扑变化快、网络部署环节复杂、节点数据处理能力弱、节点能量易受限等问题。将压缩感知(Compressed Sensing,CS)理论应用于分布式WSN,可实现传感器节点数据的高效压缩,在重建信号质量较好的前提下有效降低数据的处理量,进而降低传输对硬件的要求。然而,CS的高信号压缩比依旧无法解决由网络拓扑动态变化及高丢包率所带来的网络盲区和洞穴问题。而再生编码(Regenerating Coding,RC)作为分布式的网络编码(Network Coding,NC)技术的引申,其高网络吞吐量、低传输时延、高带宽利用率的信息交换特性,正好可缓解WSN中由网络拓扑动态变化带来的不良影响。因而如何将CS与RC相结合,设计高效的传感器节点数据融合方案,以降低数据在网内分布式存储的节点通信量和能耗,是WSN中亟待解决的问题。本文首先将CS信息采集理论与RC信息交互技术结合,提出一种新的投影再生编码(Projection Regeneration Coding,PRC)方法,给出了物理定义和基本原理,并阐述了其投影特性和再生特性。PRC作为一种融合了采样、路由及编码的信息采集交换技术,既具有CS的稀疏性和可压缩性,通过少次投影测量即可精确重构出信号的最佳近似值;又具有RC的高吞吐、高带宽利用、均衡网络负载等特性,在解决WSN中链路不稳定、易丢包等问题的同时,降低节点的计算复杂度及传输能耗、延长节点的使用寿命。其次,利用WSN的分簇理论和传感器节点读数的时空相关性,提出了一种簇间邻居辅助投影再生编码(C-NPRC)方案。该方案一方面结合PRC基础理论实现簇内传感器节点数据的投影压缩及再生编码,另一方面利用邻居辅助实现簇与簇之间簇头节点数据的融合。该方案作为分布式WSN网络层面的应用研究,可在保证原始信号重建精度的前提下,有效提高网内信号编码处理的压缩比、降低传输代价与能耗。最后,结合PRC基础理论与C-NPRC方案的编解码思路,本文对可适用于WSN传感器节点读数动态变化的自适应分布式数据存储方法进行了研究,提出了一种基于PRC的自适应分布式数据存储(ST-PRC)方法。在ST-PRC方法中,簇内的中继节点可自适应调节转发概率,以满足汇聚节点对收集数据精度的动态变化要求。该方案能够满足动态网络自适应存储-访问需求,有效平衡网络内部的资源和能耗,在汇聚节点访问数据的重构精度能满足用户需求的前提下,有效降低数据交互代价,进而降低网内开销、节约网络能耗。