随着无线传感器网络规模扩大,能量消耗、数据流量增大等问题越显突出。压缩采样技术的出现为解决这些问题提供了一种有效途径,因此,成为目前研究的一个热点。本文将压缩感知技术应用于无线传感器网络中,作了如下几个方面的研究工作。针对无线传感器网络中信号的恢复精度问题,本文在正交匹配追踪算法、正则化匹配追踪算法以及稀疏度自适应匹配追踪算法基础上综合得到一种改进的稀疏度自适应匹配追踪恢复算法。该算法的主要思想是:在整个迭代过程中,首先,求解当前阶段中数量固定的最大相关系数所对应原子索引来构建候选集,再在其基础上选出满足正则化要求的原子索引集,然后根据已选的索引集,采用相同的方法得到数量固定的最大相关系数索引值来构建支撑集,将支撑集对应的原子集进行正交化处理,并根据新支撑集恢复稀疏信号,求解残余值,最后比较前后两次的残余值二范数,对应的更新迭代段索引、选择最大相关系数的数量、残余值,一直到满足停止条件为止。通过软件实验的仿真,将改进算法与稀疏自适应匹配追踪恢复算法相比较,在一定的噪声干扰下,改进算法能够精确恢复原始信号,其成功恢复概率提高了10%左右,且具有良好的抗噪特性。在无线传感器网络中信号恢复基础上,为了研究如何提高网络中检测处于工作状态稀疏节点的概率,本文分析压缩感知基本原理和L1范数最小化问题,得到一种改进的下降迭代检测算法。该算法的主要思想是:设置一个最大的迭代次数,每一次进入迭代之前,将本次迭代的次数与最大值比较。如果大于最大值,就停止迭代;否则,继续迭代。每次迭代得到的解都会加入一个具有调节作用的因子,然后将其倒数作为下一次迭代的权值。在整个迭代过程中,若迭代次数未达到最大值,但满足阈值条件,就停止迭代;若迭代次数达到最大值,但不满足阈值条件,就强制停止。软件仿真结果表明,与贝叶斯检测算法相比较,在相同观测点数情况下,改进的权值迭代算法能够以较大概率检测0-1二元制稀疏信号,其成功检测概率提高了约13%;在稀疏度相同的情况下,改进算法的检测概率提高了20%左右。