近年来，随着传感技术、无线通信技术和计算技术的发展，无线传感器网络（WirelessSensor Networks，WSN）成为感知、控制技术的发展趋势和研究热点，并受到国内外军事、工业界、学术界的强烈关注。众多学者从基础理论和应用技术角度对无线传感器网络进行了深入的研究，并取得了丰富的研究成果。同时无线传感器网络也广泛应用于军事、工业、农业、环境监测、智能交通和智能家居等诸多领域。在这些众多应用系统中，由于无线传感器节点的计算能力、存储容量、通信能力、能量等资源受限、噪声干扰和周围环境的不良影响，在传输过程中传感数据缺失或者丢失现象时有发生，甚至在某些特殊环境中，这种现象十分严重，给各种传感数据应用处理方法提出了严峻挑战。数据估计方法可以有效解决传感数据的缺失问题。此外，传感数据的估计还为无线传感器网络中的查询、聚集、节能传输、预警等应用处理方法提供强有力的支持。因此传感数据的估计对于无线传感器网络应用系统显得尤为重要。虽然国内外学者对传感数据的估计问题开展了大量的研究工作，取得了一定的研究成果。但仍存在着一些关键问题没有解决。例如没有充分利用传感数据特性、估计方法计算复杂度高、估计精度低，以及没有考虑不确定性传感数据估计问题和传感数据流的数据模型动态变化等问题。鉴于此，本文针对这些问题开展了专项的研究工作，取得的研究成果主要包括以下几个方面：（1）针对目前传感数据估计方法由于没有充分考虑传感数据的特性而导致具有较高计算复杂度的问题，提出了基于相关分析的传感数据估计框架。并针对目前基于支持向量回归(Support Vector Regression, SVR)的传感数据估计方法存在计算复杂度高的问题，提出了基于相关分析的最小二乘支持向量回归（Correlation Analysis-based LeastSquare Support Vector Regression，CALS-SVR）估计方法。该方法根据传感数据具有近似周期性、冗余性和时间相关的特性，通过对传感数据进行相关分析，提取与当前要估计传感数据最相关的传感数据变量，并结合最小二乘支持向量回归（Least Square SupportVector Regression，LS-SVR）估计方法对传感数据进行估计，从而大大提高估计的效率。实验表明，相对于目前提出的基于支持向量机（Support Vector Regression，SVR）和LS-SVR等传感数据估计方法，所提出的CALS-SVR具有较高的估计效率，同时具有较高的估计精度。（2）针对目前传感数据估计方法存在的计算复杂度高、估计精度低的问题，同时考虑在无线传感器节点上实现传感数据估计问题，提出基于相关分析的多元线性回归（Correlation Analysis-based Multiple Linear Regression, CA-MLR）传感数据估计方法。该方法通过挖掘传感数据的特性，对传感数据做相关分析，然后与计算复杂度低的多元回归估计方法有机结合，从而大大提高传感数据估计方法的估计效率。实验表明，该方法具有较高的估计精度和估计效率，非常适合在无线传感器节点上实现传感数据估计。（3）针对无线传感网络应用系统中，局部区域不确定性传感数据的处理问题，提出基于多变量主元分析（Multiple variate Principle Component Analysis，MVPCA）的不确定性传感数据处理框架。并针对区域不确定性传感数据的估计问题，提出了基于多变量主元分析的不确定性传感数据估计方法。该方法采用多变量主元分析的预处理方法提取不确定性数据的本质特征，从而减小传感数据的不确定性，然后再对传感数据进行估计，从而解决不确定性区域传感数据的估计问题。实验表明，本文所提方法能够有效对区域不确定性传感数据进行估计。（4）针对动态传感数据流的估计方法存在着估计模型更新不及时、估计精度低的问题，提出基于卡尔曼滤波的传感数据流估计方法KF-CAMLR（Kalman Filter-CorrelationAnalysis-based Multiple Linear Regression）。该方法采用卡尔曼滤波器动态调整滤波器中的系统状态变量，同时调整传感数据估计方法中模型的参数，解决了对传感数据流中数据模型的实时跟踪的问题，从而得到较高精度的估计结果。实验结果表明，相对于同类其他方法，该估计方法具有较及时的模型更新能力、更高的估计精度和估计效率，能有效地对传感数据流的动态传感数据进行估计。最后，本文对目前仍存在的问题和今后的研究方向提出了进一步的研究计划。