Candès、Tao、Romberg、Donoho等提出的压缩感知(Compressing Sensing，CS)理论:信号采样与压缩同时发生，使得待采样信号的压缩比率大大降低。无线传感器网络中图像作为用户观测现场最有效直观的参数，备受研究人员关注。由于图像数据量大，传统的采样定理对节点的处理速度，存储能力，能耗有较高要求，这些成为多媒体传感器网络推广的一大阻力。压缩传感理论利用图像信号的稀疏性和可压缩性去除数据间的冗余度，节省存储空间，简化数据处理，延长网络的寿命。但是采样值经过量化和信道传输后，受到量化噪声和信道噪声影响。若直接采用重构算法重建，恢复后的信号将产生巨大失真，所以WSN图像传输需要优化的量化编码方法和强鲁棒性的重构算法。　　 目前主要研究对测量值进行基于信息论的Huffman编码方法和均匀的量化编码方法，分析量阶和重构算法对信号恢复的影响，但很少考虑传输噪声对信号重构的影响。以上研究仅考虑数据传输的单个方面，没有对系统传输给出解决方案。本文简要介绍了与压缩传感有关的理论基础知识、课题研究的背景和意义以及相关研究的国内发展现状等。从传感器网络自身特点考虑，借助于现有的通信模型即发送端量化编码调制，经信道传输，接收端解码解调重构，并以图像为例:由于图像数据量大和复杂度高，具有普通信号的一般特性，研究主要影响通信系统稳定性的测量值编码与传输问题，采用自适应量化编码和Huffman编码，推导出系统的误差上界，并根据传输数据的先验信息，给出最优非线性量化器的设计方案，并通过仿真实验证明非线性量化器的性能优于普通的量化器。在信道影响较大的情况下，利用信道噪声和信号之间的不相干性，给出一种基于子空间的强鲁棒性重构方法，最后通过仿真实验验证在信道噪声较大的情况下，使用优化的量化器和消噪方法能有效的改善系统的传输性能。