作为物联网的核心技术,无线传感器网络(WSN)因为其应用灵活性和信息感知有效性受到了越来越多的关注。也正是因为要保证传感器节点的灵活性,其硬件资源和能源供给部分受到限制,难以满足大规模高密度海量信息的传送和处理,成为制约WSN大规模应用的重大技术难题。近年来,压缩传感(CS)理论获得了广泛关注和研究。压缩传感将采样与压缩过程合并,直接将稀疏或者可压缩信号中的“冗余”信息丢弃,因此降低了信号采样频率,并且节省了存储和传输成本。压缩传感理论的出现,为无线传感器网络的海量数据采集、传输、存储以及节点续航能力等问题提供了一种全新的技术解决方案,可加快物联网工程发展的步伐。本文在对无线传感器网络数据特性分析的基础上,将压缩传感理论的关键技术作为主要研究内容,致力于将CS理论应用到WSN中,为此展开了多方面研究工作：1.信号稀疏表示：在自然界中的稀疏信号是少见的,但是大部分信号都可以在某个域上进行稀疏表示。在深入研究WSN数据特性的基础上,利用过完备字典对信号进行稀疏,分别生成了离散余弦基、Haai、Chirplet以及Db小波等过完备原子库,并进行了多参量级联过完备学习字典仿真,仿真结果表明：Chirplet和Db小波过完备字典稀疏效果优于DCT过完备字典和Haar小波过完备字典,使用范围也更广；级联过完备字典对于与先验模型相似的信号稀疏效果非常明显。2.测量矩阵：基于满足约束等距性(RIP)这一条件,对高斯随机测量矩阵、伯努利随机测量矩阵和托普利兹以及循环测量矩阵等进行了研究,并通过仿真对之进行了对比分析。并在此基础上,提出了一种易于硬件实现、存储空间需求低的伯努利伪随机循环矩阵。仿真结果表明：在测量数M满足一定条件时,伯努利伪随机矩阵可以高精度实现信号的测量与重构。3.信号重构：重构算法是目前研究较深入而且成果较多的一项技术,本文从重构精度、速度以及成功率等方面对现有的重构算法进行了对比分析,在分析现有各种算法优劣性的基础之上,根据WSN的数据特性,提出了一种实用性更强、重构精度更高、稳定性和鲁棒性更好的ITSAOMP重构算法。实验结果表明：在测量矩阵满足一定条件时,借助于ITSAOMP算法,可以高概率、低失真地重构原始信号,并且具备较好的噪声鲁棒性。4.将压缩传感和周期非均匀采样有机结合：周期非均匀采样是有效降低采样频率、提高采样精度的一种方法,它利用多通道采样系统对信号进行采样。根据非均匀采样系统的特点,利用联合子空间理论将采样和重构过程转化为矩阵或向量运算,并借助CS理论,将稀疏信号重构算法应用到非均匀采样系统中对信号进行重构,仿真结果表明系统不仅很好地实现信号采样与重构,而且大大降低了采样频率,提高了重构精度。