无线传感器网络通过有限节点对监测区域进行采样时,通常无法完整地获取区域内信息,针对该问题提出一种网格化数据重构算法,利用压缩感知技术对区域内信息进行完整恢复。完成了对重构算法的改进,设计了基于经验模态分解的测量矩阵,有效提高了重构精度并降低了运行时间。本文主要对压缩感知理论中的信号重构算法以及测量矩阵设计两个方面的问题进行了深入的研究,主要工作包括:(1)针对稀疏度自适应匹配追踪(SAMP)算法迭代过程中由于选择步长固定而导致的信号欠估计或过估计问题,提出了一种基于门限的稀疏度自适应匹配追踪(TSAMP)算法,将阈值思想引入原子选择之中,并且在步长改变的基础上提出了变步长策略,根据不同的条件以不同的步长估计稀疏度来重构信号。(2)针对传统随机测量矩阵自由元素过多、实现难度大的问题,设计了基于经验模态分解的测量矩阵,利用信号本身的特征,通过经验模态分解得到矩阵分量,借鉴循环矩阵的循环位移方法构造出合适的测量矩阵,并通过仿真验证了该测量矩阵对比传统测量矩阵的优势,进一步提升了信号的重构精度。(3)针对环境监测通过有限节点难以获取区域内完整信息的局限性,提出了一种网格化数据重构算法,结合TSAMP算法与经验模态分解测量矩阵完成有限传感器节点对区域的稀疏采样,进而实现对区域内环境信息的高效重构,可以很好地满足环境监测的要求。本文选择MATLAB仿真平台设计实验,以经典算法为参照,实现了网格化数据重构算法与经典算法在监测区域重构效果方面的对比。仿真结果表明,网格化数据重构算法的改进效果较好,原始信号重要特征能较为完整地重构出来,而且数据变化较为平稳,能够更好地表征监测区域的环境情况。