随机分布的传感器节点借助低功耗的无线通信,以自组织的方式构成网络,这些节点感知环境信息并通过多跳转发的方式将数据发送给基站,一般将其称作无线传感器网络(Wireless Sensor networks,WSN)。无线传感器网络需要不断的从物理世界收集数据,并传送、处理、分析和共享这些数据。无线传感器网络提供有效服务的前提是保证节点的数据质量,因此研究节点感知数据的数据质量是一个值得关注的问题。本文主要关注WSN数据质量最重要的两个维度:正确性维度和完整性维度。在提高WSN数据质量的正确性方面:通过数据去噪的方法在一定程度上减少无效的观测数据和过度偏差的观测数据对传感器网络数据质量的影响。在保证WSN数据质量的完整性方面:通过提出有效的丢失数据估算算法来对丢失数据进行修复补全,在保证估计修复数据精度的前提下,使得传感器网络的数据的完整性得到很大程度提高。本文考虑到节点硬件的低成本和部署环境的复杂性,在节点间传输数据时可能会造成延迟或丢失部分数据,主要研究如何估算该节点丢失的数据来保证其数据质量,进而保证网络的服务质量,主要提出了两种丢失数据估算算法:基于灰色关联度的丢失数据估算算法和基于时空关联度的丢失数据估算算法。基于灰色关联度的丢失数据估算算法:该算法主要分数据去噪、灰色关联度计算、邻居节点选取、估算丢失数据四个过程。由于监测环境中多因素影响,导致节点感知的数据存在一定的噪声影响,在选取丢失数据节点的邻居节点时,需要对其邻居节点的感知数据进行数据去噪处理,所以首先对网络中节点的感知数据进行去噪,该算法选取图像去噪处理算法的中值滤波进行去噪处理,其思想主要是将传感器节点视为图像中的像素组成,节点感知的数据视为像素点值。然后计算需要估算数据的节点与其临近节点的灰色关联度并选择关联度较大的邻居节点,最后根据关联度高的相邻节点的数据进行丢失数据估算。基于时空关联度的丢失数据估算算法:该算法首先对节点感知数据进行小波去噪处理,然后在时间关联度上使用马尔科夫链进行数据估算,在使用时间关联的算法失效的情况下,继而使用空间关联性算法来估算,在空间关联过程中考虑到两节点因数据丢失而产生数据序列长度不一致的问题,使用DTW算法来计算两节点的关联度。空间关联过程分为相似距离计算、DTW关联匹配、邻居节点选取、数据估算若干过程。实验结果表明本文提出的算法较相关算法有更高的精度及健壮性。