近年来,随着物联网的不断发展,感知设备的种类越来越丰富,由此产生的感知数据也越来越丰富。感知网络通常包含多个相互独立的数据源,且不同数据源能够从多个维度对监测对象进行度量。由此本文将感知数据分为同构多源单模态、同构多源多模态、异构多源单模态以及异构多源多模态四种类型。虽然感知设备的精度越来越高,但由于硬件设备固有的限制,系统组成环节及所处环境等因素的影响,感知设备不可避免的存在漏读、多读、错读等现象,降低了数据的可用性。而数据是信息的载体,其能否准确反映物理世界的真实信息是决定其在上层应用中发挥效用的关键,因此如何提高数据的可用性是亟待解决的问题。基于此,本文对高可用感知数据获取技术进行了研究。首先,针对同构多源单模态感知数据---RFID数据,提出两种高可用RFID数据获取方法。这两种方法分别针对阅读器固定、标签移动(FR-MT)和标签固定、阅读器移动(MR-FT)模型而提出。FR-MT模型下,综合考虑RFID的数据特性、阅读器及部署环境的先验知识以及具体应用中的约束条件三方面,提出一种更贴近现实应用的基于多阅读器数据冗余的数据清洗策略----LC-INFER.通过部署真实供应链应用环境进行实际测试,并用大量仿真数据集进行模拟测试,验证了算法的准确性及高效性。在MR-FT模型下提出一种新的利用被动式标签对阅读器进行实时定位的RFID数据获取算法---ATOrientation,通过阅读器对标签的读取情况确定其可能位置区域,进而将可能位置区域划分为网格对其进行精确定位。该算法适用于标签部署密集的大范围监测环境中,通过实验验证得到的定位偏差一般很小。其次,针对同构多源多模态感知数据---传感器数据,提出传感器网络中基于数据质量的高可用传感数据获取方法。定义数据质量的两个方面---可靠性和共享性。可靠性主要通过感知数据与参考数据列之间的偏差来衡量,共享性主要指传输的数据列彼此之间的关联性。进而基于数据质量,将数据获取问题转化为一个最优化问题,该问题旨在在网络资源限制条件下使网络获取的传感数据的可靠性最大,同时传输给基站的数据间的共享性最小,并通过遗传算法其进行求解。最后通过大量的模拟实验证明了算法的高效性和可扩展性。最后,针对异构多源多模态感知数据,提出基于数据质量的高可用感知数据的获取方法。定义了数据质量的三个方面：准确性、完整性和一致性。对数据质量在这三个方面进行建模,提出评价异构多源多模态感知数据综合数据质量的方法。进而提出基于数据质量的数据源选择算法,根据用户给定的精度,选择部分数据源用于数据传输,以达到数据质量和感知网络资源消耗间的平衡。并通过实验验证了算法的有效性。总之,本文针对物联网中的感知数据,根据感知网络包含的感知设备类型和自身功能,将感知数据分为四种类型,并分别对其进行了高可用感知数据获取技术的研究。