无线传感器节点能够从物理世界中采集温度、湿度、图片等数据,并将这些数据以一跳或多跳的方式传到服务器（也叫汇聚节点或sink节点）上。无线传感器网络在实时监测、异常检测、目标追踪等方面具有广泛的发展和应用前景。传统的无线传感器节点依靠电池供电,而电池电量十分有限,需要频繁地更换电池。但是,传感器网络常常被部署在森林、大型设备内部、污水过滤系统等恶劣的环境中,这使得频繁的电池更换是非常困难甚至是不现实的。因此,研究者们提出在节点上安装如太阳能板和射频能接收器等自获能设备。这样,传感器节点就能从环境中不断地获取能量。这样的节点被称为无源节点,它们组成的网络叫无源网络。无源网络能够在能量上实现自给自足,大大降低了维护成本,有效地拓展了传感网的应用。高效的数据收集问题一直是学术界关注的重点。但环境中的能量（如太阳能、射频能等）具有微弱、不稳定、不可控的特点,这使得无源节点不像传统有源节点一样随时拥有足够的能量来执行数据传输任务,也使得为传统传感器网络设计的数据收集算法不再适用。本文主要研究了针对无源传感器网络的高效数据收集算法。具体地,在汇聚节点所承担的计算任务未知的情况下,研究了以最小化时延为目标的数据收集算法以及以最小化信息年龄为目标的数据收集算法;在汇聚节点所承担的计算任务已知的情况下,为提高效率,对感知数据实行“边传输边计算”的策略,根据计算任务的不同,研究了数据聚集算法以及以计算任务为导向的数据收集算法。本文的主要研究成果如下:首先,本文研究了无源网络中以最小化时延为目标的数据收集问题。在许多应用中,要求每个节点将自身采集到的感知数据快速地上传到汇聚节点。目前已经一些针对无源网络的数据收集算法被提出,但这些算法中都没有考虑在引入网内数据压缩技术,这使得时延可降低的空间相当有限。另一方面,感知数据往往具有较强的时空相关性,理论分析和实验结果证明,可以利用一种轻量级的压缩算法–压缩感知算法在各个节点内部对数据进行压缩。这样,可以大大地降低需要传输的数据量,有效地降低时延,并且可以保证原始数据在汇聚节点内能够被精确地恢复。因此,本文提出在无源网络的数据收集过程中引入压缩感知技术,并提出了一个分布式的、能量自适应的HCS-CDS算法,实现了“边传输边压缩”。另外,本文从理论上分析了该算法性能,也通过实验验证了该算法能够大大降低数据收集时延。第二,本文研究了无源网络中以最小化信息年龄为目标的数据收集问题。信息的年龄（Age of Information,以下简称Ao I）是一个近年来在传感网领域被广泛关注的关于信息新鲜性的度量。在过去的几年中,有大量的研究工作针对传统有源传感网以及单跳的无源网络设计了以最小化Ao I为目标的数据收集算法。但是,到目前为止,没有针对多跳无源网络的研究工作被发表。因此,本文研究多跳无源网络中,以最小化Ao I为目标的数据收集问题。本文同时考虑了以最小化峰值Ao I为目标的数据收集问题、以最小化均值Ao I为目标的数据收集问题,证明了最小化峰值Ao I问题是NP-Hard。为解决这两个问题,首先,本文对线型网络拓扑进行了研究,并提出了分布式算法MAo IL;接着,将该算法推广到一般的网络拓扑中,得到了分布式、能量自适应的MAo IG算法,并从理论上分析了MAo IG的性能。实验结果表明,MAo IG的性能高于所有的基线算法,并且其实际性能与理论性能相近。另外,其实验性能非常接近该问题的理论最优结果。实验结果还表明了,随着网络中节点数量的增加,MAo IG取得的结果的均值Ao I和峰值Ao I和理论最优值之间的距离也会变大。第三,本文研究了具有覆盖质量保证的数据聚集问题。在许多无线传感网的应用中,用户只关注感知数据的统计特征,比如被监测区域的平均温度、加速度的最大值等。在这样的场景下,为提高数据收集效率,每个节点可以对它收到的来自其它节点的感知数据以及自己的感知数据在节点内部求均值和最大值,接着传输计算结果给下一个中继节点,这个过程被称为传感器网络中的数据聚集。在这个场景下,数据收集与计算相融合,实现了“边传输边计算”,并且该过程减少了网内需要传输的数据量,提高了数据收集的效率。以最小化时延为目标的数据聚集问题（简称MLAS）是一个无线传感器领域中的经典问题,也有一些针对无源网络的算法被提出,但是目前还没有分布式算法被提出。因此,本文继续研究无源网络中以最小化时延为目标的数据聚集问题（简称MLAS）。为降低时延,本文提出了每次只选取一个子网络进行聚集调度,并保证选中节点的数量大于用户给定的覆盖质量要求。该问题被定义为带覆盖质量要求的数据聚集问题,简称q-MLAS,这里的q是用户给定的覆盖质量要求。本文证明了这是一个NP-Hard的问题,并给出了一个分布式的、能量自适应的算法DEAS。理论和实验结果表明,DEAS算法可以大大地降低数据聚集时延,当网络中节点的获能速率低下或非常不均匀时,算法的优势更明显。最后,本文研究了无源网络中以计算任务为导向的数据收集算法。在新兴的物联网应用中,传感网需要执行的计算任务往往是由智能手机的用户所发布的,这样的任务是随机的且难以预测的,因此,这类计算任务所涉及的感知数据通常也是随机且难以预测的。如果将所有可能用到的数据都传输到sink上会带来极大的时间、能量和信道资源的浪费。本文研究以计算任务为导向的数据收集问题,该问题的目标是收集恰好足够的数据来得到计算任务的精确结果,同时最小化数据收集代价。为解决该问题,本文提出在无源网络中将数据收集与计算相结合,实现“边传输、边分析、边计算”,并将这种数据收集与计算相结合的模式称为渐进计算模型。在渐进计算模型中,感知数据的获取是分阶段的。在每一个收集阶段,服务器都会根据已收集到的数据结合计算任务进行分析,并决定在下一个阶段需要收集哪些感知数据。接着,服务器会通过低功耗广域网Lo Ra的下行信道向相关的传感器节点发送控制信息,命令它们收集相关数据。本文提出了两个渐进算法样例,展示了如何在识别以及网内查询任务中使用渐进计算模型。理论分析和模拟实验结果表明算法可以在保证计算结果准确的前提下,大大降低资源消耗。