随着通信、传感器技术的发展,无线传感器网络(Wireless Sensor Network,WSN)已逐渐成为业界关注的焦点,并被广泛应用于军事国防、生物医疗、环境监测等诸多领域。通过WSN获取完整且精确的感知数据是数据分析、应用决策的基本前提,然而由于环境因素以及传感器节点自身资源的局限性往往导致感知数据缺失,而现存的缺失数据重建算法大多基于单一数据属性或是仅考虑静态场景,均难以满足重建真实完备数据的要求。因此,本文在研究了WSN的数据特性以及相关缺失数据重建算法的基础上,结合感知数据的时空相关性和多属相关性,探讨如何高效重建感知节点的缺失数据。针对目前存在的缺失数据重建算法多数基于单一属性数据这一现象,本文结合同一簇内节点数据的多属性相关性以及数据本身的联合低秩性,改进了一种基于空间相关性的多属性缺失数据重建算法。该算法首先根据感知节点的物理位置应用K-means聚类算法将节点分为不同的簇,然后将每个簇内节点的数据进行张量分解,并运用加权核范数最小化理论自适应地为每个奇异值分配不同权值,再通过交替方向乘子法迭代求得全局最优解,最后采用伯利克里实验室的数据仿真,验证了该算法在数据连续缺失和随机缺失两种模式下,均可以较好地重建缺失数据。针对目前多数重建算法中感知节点均处于静态场景下这一现象,本文结合贝叶斯网络模型,改进了一种移动场景下的缺失数据重建算法。该算法包括前期数据收集、最佳信任节点判定以及后续基于贝叶斯网络模型的缺失数据重建。若节点在数据收集阶段发现有数据缺失,则该节点首先向邻近节点请求数据,并根据其与邻近节点之间数据数量的可信度、时空相关系数以及节点轨迹相似系数判定最佳候选节点。然后在该节点处建立贝叶斯网络模型,并将最佳候选节点的数据作为辅助变量引入,由此确定缺失数据取值范围,再计算该范围内每个取值的条件概率并选择概率最大时对应的序列作为缺失数据的重建数据。最后使用墨尔本大学采集的数据仿真,验证了该算法在节点处于移动场景下可以较好地重建缺失数据,且相比于其他同类算法,该算法的稳定性更高。