无线传感器网络(WSN,Wireless Sensor Networks)具有节点数目众多、资源容易受限以及组成的节点同构性的特点。因此,如何通过利用WSN节点感知数据的相关性对数据进行压缩,并以能量有效的方式来满足WSN的应用要求,是WSN应用亟待解决的问题。近年来,一种新的信号压缩编码理论——压缩感知(CS,Compressed Sensing)逐渐发展起来。压缩感知具有编码低复杂度、压缩性能优异、编码和解码相互独立等优点,所以,CS特别适合应用在资源受限的WSN中。WSN节点的感知数据具有时空相关性,分布式压缩感知(DCS,Distributed Compressed Sensing)正是侧重于研究如何通过利用信号的内相关性以及互相关性来对多个信号进行重构,因此,DCS在WSN中具有广阔的应用前景。本文首先对无线传感器网络的现状及应用作了详细的介绍,对压缩感知的基本理论框架也进行了较为深刻的阐述和探讨,特别针对其中信号的稀疏变换、信号的压缩测量以及信号的重构等关键技术进行了详尽描述。然后,根据无线传感器网络中节点感知数据的空间相关性,建立了无线传感器网络中基于空间相关性的分布式压缩感知的模型,在此模型的基础上提出了编码解码算法,并研究了分布式压缩感知的重构误差和数据压缩比之间的关系。在此基础上,研究WSN节点感知数据的时空相关性以及分布式压缩感知的联合稀疏模型,建立了无线传感器网络中基于联合稀疏模型的时空相关性分布式压缩感知模型,提出了相应的编码解码方案,并对分布式压缩感知的联合重构算法和独立重构算法进行了详细的比较。最后,通过仿真对本文所建立的模型和提出的算法进行了验证。仿真结果显示,我们所建立的基于JSM-2联合稀疏模型的时空相关性分布式压缩感知算法能够显著的减小编码端数据的压缩比,这就意味着该模型有更高的存储效率。因此,可以得出结论:无线传感器网络中基于联合稀疏模型时空相关性分布式压缩感知模型提出的算法在重构性能和压缩比方面具有一定的优越性,对于在无线传感器网络中的实际应用具有较好的可行性。