随着无线传感器网络(WSNs)的规模逐渐扩大,能耗问题已成为亟待解决的关键问题之一。压缩感知(Compressed Sensing,CS)作为一种新型的采样理论,能利用较低采样率完成信号的精确重构,达到节省能耗的作用。标准CS理论可以概括为由三部分组成,分别是信号的稀疏表示、观测矩阵的构建以及原始信号的重构。本文针对WSNs,先设计了观测矩阵,再重点研究了重构部分,并提出了新的重构算法。常用的随机观测矩阵不依赖于信号本身,预先存储需要较大的存储空间,并且生成随机矩阵,对于硬件要求较高,会带来过高的硬件成本。本文针对WSNs,通过对LEACH分簇算法的深入学习,将LEACH算法分簇思想与CS理论相结合,制订了CS_LEACH方案。根据此方案构造了基于分簇的具有分布式网络特性的随机观测矩阵。实验结果表明:本方案有效解决了随机矩阵预先存储占用内存的问题,并且有效的延长了WSNs的整体生命周期。为了更好的研究重构算法,结合CS_LEACH方案,本文构造了压缩采样和在线重构的数据采集框架(DAF_CSOR),分别分析了基于1?最小化的重构算法、基于0?最小化的贪婪算法以及贝叶斯重构算法在此框架下的优缺点。实验结果表明:在新构造的观测矩阵的共同作用下,本文提出的压缩采样和在线重构的数据采集框架在重构速度及重构精度方面均优于传统方法;在信号重构实验中,稀疏自适应匹配追踪算法(SAMP)精度最高。此外,本文还提出了新型的正则化稀疏自适应匹配追踪算法(N_RSAMP),改进了SAMP算法中的原子选择方案,并结合正则化思想加快算法的收敛速度。实验结果表明:新的N_RSAMP算法在重构性能上比SAMP算法更为优越。