作为以数据为中心的网络系统，无线传感器网络最终目的是将节点感知的数据传输到处理中心以待用户分析使用。由于WSNs节点的计算能力、存储空间以及电池能源有限，这给数据的采集和传输带来一定的挑战。传统的WSNs数据聚合技术一般都是先采集再压缩。该过程需要频繁的读写操作，会消耗大量感知节点的能源，并不是WSNs的数据聚合问题的最优解决方案。所以，WSNs数据聚合技术仍是一个具有挑战性的研究领域。　　压缩感知理论是于2006年提出的一种信号采样和处理的新理论。该理论突破了Nyquist采样定理的限制，创造性的将数据的采集和压缩同时进行。将压缩感知理论应用于WSNs可以实现直接采集已经压缩的数据，大大减少了采集数据量，进而减少网络传输数据量，并且不用在传输过程中进行需要占用资源的压缩过程，而计算难度较高的重构过程是在终端电脑上实现的，没有能源的限制，也能满足计算的要求。但是由于压缩感知理论的先决条件等，基于该理论的数据聚合策略往往异于传统方法，而且最终需要从收集的压缩数据中恢复出原始数据才能使用。这两点是能将压缩感知理论应用于WSNs的关键问题，也是本文主要解决的问题。　　考虑到WSNs所收集的数据在时间上和空间上往往具有高相关性，本文设计了一种基于压缩感知的WSNs数据聚合策略。该策略在每轮采样中，簇成员节点以概率ptx独立地选择是否参加采样，若参加采样，采集并发送数据给簇头节点，否则，该轮采样此节点休息。以该种方式，感知节点可以实现轮换的工作和休息，平衡网络能量，延长网络寿命。仿真实验表明，该策略能够有效地减少网络能耗，可以在不丢失数据信号的前提下尽可能地减少数据量。　　为能从所收集的压缩信号中恢复出原始信号以待使用，本文在l1-norm最小化压缩感知重构模型的基础上，设计了一种自适应权重的GPSR算法。该算法给重构模型添加具有惩罚意义的权重系数，来寻找算法复杂度和精度之间的最佳平衡，并引入自适应思想，根据解的收敛进程不断调整权重分量大小，以达到增快收敛的目的。仿真实验表明，该算法在保持计算复杂度低的同时，能够有效地提高重构性能，特别是对于稀疏度未知的信号，尤为适用。