近年来,无线传感器网络(Wireless Sensor Network,WSN)技术正以极其惊人的速度发展,智能制造、智能工厂和智能服务的需求也呈现爆炸式增长,工业物联网(Industrial Internet of Things,IIoT)应运而生,成为了支持工业应用、通过智能决策提高制造和服务效率的一个有广阔前景的领域。现阶段,工业传感器和物联网设备在工业环境中快速、持续部署,物联网在智能工业应用中发挥出越来越重要的作用。然而,在物联网带来便利的同时,也因为工业传感器产生的大量数据而带来了新的挑战,各个设备对数据的采集、处理和传输提出了严格的要求。因此,在IIoT场景中如何能够高效地收集、处理和传输工业大数据成为当下一个巨大的挑战。本文针对当前感知数据压缩方案在分簇机制研究、空时相关性挖掘、观测矩阵设计优化、字典训练等方面存在的突出问题,在工业物联网场景下,研究基于分簇与Kronecker积的感知数据压缩优化方案以解决上述问题。主要的创新点包括如下三个方面:1)研究基于k-means的Kronecker空时(二维)压缩机制:该机制首先构建了一个k-means分簇算法,用于深度有效地挖掘数据之间的空间相关性,为获得更好的数据压缩效果提供支撑;其次,构建了一个新的Kronecker空时压缩方法,该方法将传统的空时压缩和Kronecker积相结合,不仅保证了CS重构算法的成功执行,而且更好的融合和利用了空时相关性,有效提高了数据的重建精度。2)研究基于雾计算的Kronecker观测矩阵优化压缩机制:针对基于k-gaozhi的Kronecker空时压缩性能上可提升的空间,本部分做了扩展研究,即在Kronecker空时压缩的基础上,引入观测矩阵优化,并灵活应用于IIoT场景,使该机制不仅保证了CS数据重构的成功执行,而且雾节点的数据预处理操作大大减少了雾节点与云节点之间的冗余数据传输量;此外,基于本机制建立的Kronecker联合观测矩阵优化模型,设计了一种最优的Kronecker空时联合观测矩阵求解方法,该优化求解方法可以最小化观测矩阵与稀疏基之间的互相关性,并且降低观测矩阵的自相关性,使该矩阵能够适应各种真实场景,达到进一步提高数据重建质量的目的。3)研究融合字典训练与观测矩阵优化的数据高质压缩机制:针对以上所构建的两个机制仅对分簇和优化进行挖掘,欠缺对字典与观测矩阵之间存在关系的联合考量,本部分做了深入研究,通过对稀疏字典与观测矩阵联合优化,实现字典与观测矩阵之间相关性的深入挖掘。首先,本机制构建了一种基于K-SVD思想的二维字典训练方法,实现IIoT中空时数据的稀疏表示;其次,通过在空间和时间域优化相应的观测矩阵来最小化感知矩阵的列相干性,从而匹配训练后的稀疏字典。最后,提出了一种联合优化方法,在字典训练以及观测矩阵优化之间进行了权衡考量,使得重构误差达到理论上的最小值。