作为物联网的核心技术,无线传感器网络(WSN)因为其应用灵活性和信息感知有效性受到了越来越多的关注。也正是因为要保证传感器节点的灵活性,其硬件资源和能源供给部分受到限制,难以满足大规模高密度海量信息的传送和处理,成为制约WSN大规模应用的重大技术难题。近年来,压缩传感(CS)理论获得了广泛关注和研究。压缩传感将采样与压缩过程合并,直接将稀疏或者可压缩信号中的“冗余”信息丢弃,因此降低了信号采样频率,并且节省了存储和传输成本。压缩传感理论的出现,为无线传感器网络的海量数据采集、传输、存储以及节点续航能力等问题提供了一种全新的技术解决方案,可加快物联网工程发展的步伐。本文在对无线传感器网络数据特性分析的基础上,将压缩传感理论的关键技术作为主要研究内容,致力于将CS理论应用到WSN中,为此展开了多方面研究工作:1.WSN中环境数据挖掘:在自然界中的稀疏信号是少见的,但是大部分信号都可以在某个域上进行稀疏表示。同时感知节点收集到的环境数据(温度、光照、湿度)具有很强的时间相关性与空间相关性,本文选取了三个已投入使用的WSN的监测数据作为研究对象,分别对其进行稀疏性分析与时空相关性分析,仿真结果表明选取的环境数据均具有很强的稀疏特性与时空相关特性。2.测量矩阵:基于满足约束等距性(RIP)这一条件,对高斯随机测量矩阵、部分正交测量矩阵、伯努利随机测量矩阵和托普利兹以及循环测量矩阵进行了研究。在此基础上,介绍了两种易于硬件实现、存储空间需求低的稀疏二维矩阵和稀疏随机矩阵。仿真结果表明:部分正交测量矩阵、循环矩阵、托普利兹矩阵这三者的重构性能依次变差。伯努利随机测量矩阵、高斯随机测量矩阵、稀疏二维矩阵与稀疏随机矩阵这四个测量矩阵的重构性能相似,均优于其他几个测量矩阵,在测量数M满足一定条件时,可以高精度实现信号的测量与重构。3.WSN拓扑结构优化与数据聚集方案:当WSN规模庞大的时候,会造成网络内数据的运算量、存储量和发送量急剧增大,严重影响网络的各项性能。针对这一弊端,本文对WSN的拓扑结构进行了优化,即利用扩散小波对网络进行切分,在每个子网中独立进行数据聚集,并由选定的中心节点将数据直接传输给sink接收端。同时,基于压缩感知理论提出了子网内部数据聚集的新方案。4.重构算法:研究分析了两种传统的压缩感知重构算法:凸松弛算法和贪婪算法。在此基础上,提出了一种新型的重构算法:基于时空相关特性的块压缩感知全局重构算法(BCS-STGR),该算法结合本文提出的对WSN划分子网的拓扑结构优化方案与数据聚集方案,同时应用WSN中环境数据所具有的时空相关特性,在能源利用率与重构精度方面都具有优越的性能。仿真结果表明,BCS-STGR的归一化平均绝对误差小于5%,其能源利用率相比传统CS方法降低了50%,明显优于其他常见的重构算法。