农业物联网系统已成为农业大数据最重要的数据源之一。通过将具有感知、通信和计算能力的微型传感器部署应用于农业生产管理中,全面、准确、高效地监测SPAC（土壤-植物-大气连续体）系统,为精准农业的实现提供重要支撑。然而,受工作环境、设备制造工艺、网络链路条件等因素的影响,农业物联网的部署应用与高质量数据获取仍面临着不少挑战,亟待研发低功耗、高质量的农情数据采集方法。本文围绕农业传感器的低功耗需求、关键数据实时感知保障和异常值检测等问题,开展节点稀疏采样决策、能耗优化和关键感知保障、异常数据实时检测等方法研究,为降低农业传感器节点的能耗、提升农情数据采集质量提供参考。本文主要工作和结果包括:1)基于压缩感知的农情监测节点稀疏采样决策方法研究。将压缩感知应用于农情监测节点的稀疏采样,研发基于压缩感知的节点稀疏采样辅助决策系统,系统分析了适用于农情采样的测量矩阵、稀疏基和重构算法以及数据重构间隔。实验结果表明:对于花卉植株茎流、土壤湿度等农情数据,采用固定采样率,测量矩阵、稀疏基、重构算法分别选取周期测量矩阵、差分矩阵和SL0算法为宜,每2-10天重构一次数据可实现数据恢复代价与精度的良好平衡。2)面向能耗优化和关键感知保障的数据采集方法。将压缩感知和模型驱动相结合,提出了数据采集模式的自适应切换机制。通过融合关键数据阈值和预测误差容忍度判断从模型驱动模式切换入压缩感知模式的时刻,基于稀疏采样点建模预测从压缩感知模式切换入模型驱动模式的时刻。实验结果表明:所提出方法能够有效避免数据采集模式切换抖动、保障数据的获取精度和关键数据获取的时效性。3)基于向量升维的农情异常数据实时检测方法。将标准化后的时序农情数据转换为观测向量,再将相邻向量元素差值之和作为新向量元素对观测向量进行升维,构建了基于向量升维的农情异常数据实时检测框架。常规和稀疏采样场景下的异常数据检测结果表明:提出的方法能够有效提升异常数据的检测效果,且线性核支持向量机具有较优的异常数据检测性能和计算耗时。