随着物联网、信息物理系统(Cyber-Physical Systems,CPS)等新技术的研究,对信息的感知与获取的要求越来越高,无线传感器网络(Wireless Sensor Network,WSN)技术的应用范围也变得越来越广。无线传感器节点通常是廉价节点,计算资源有限并采用电池供电,如何高效的利用无线传感器网络的能量是一个重要问题。论文针对无线传感器网络在应用中存在的网络生存时间短、能量利用率不高和通信数据量大等问题,研究了无线传感器网络的能量高效相关技术,并提出了一系列的解决方法。主要研究成果有:1.基于聚类算法和模糊理论,合理分簇并平衡节点负载,提出了一种高效分簇路由算法,记作KFRA(K-means++and Fuzzy Routing Algorithm)。该算法基于K-means++聚类算法将节点分簇,采用模糊逻辑系统分布式地选取簇头,解决了分簇路由算法中分簇不合理或负载不均衡所导致生存时间短的问题。仿真表明,与现有的WSN低功耗分簇路由算法相比,分簇和簇头选择流程更为合理,平衡了节点之间的通信负载,延长了网络的生存时间。2.综合了KFRA算法和遗传算法,提出了一种自适应的负载均衡路由方法,记为GAEBRP(Gentic Adaptive Energy-Balanced Routing Protocol)。GAEBRP中,针对不同的网络规模和不同的网络生存优化目标,汇聚节点或基站采用遗传算法自适应地得到对应的最优模糊规则,再将最优的模糊规则部署到各个节点中。该方法无需人为调整模糊规则,有更好的通用性。仿真表明,在不同的网络规模下,将网络生存时间作为优化目标,本文提出的GAEBRP方法的网络生存时间长于其他WSN低功耗分簇路由方法。3.基于主成分分析(Principal Component Analysis,PCA)和压缩感知(Compressed Sensing,CS)理论,提出了一种采集和在线学习重构策略,记作SCo Rel(Sensing Compresssed and online Reconstruction while learning)。该策略解决了WSN用于数据采集时的数据量大的问题。仿真实验表明,该策略可针对不同类型的所采集到的数据动态调整相关参数,在未知目标数据类型的统计信息的情况下,以较少的通信负载得到精确的全局数据。4.基于自适应算法和分布式扩散估计,提出了一种用于参数估计的分布式交替型扩散策略,记作AD-LMS(Alternation Diffusion Least-Mean-Square)。该策略引入一个交替型参数决定节点是否与邻居节点交换信息用以减少通信量。仿真表明,AD-LMS策略与一般的参数估计相比,可在损失少许估计性能的情况下降低网络通信负载。5.基于自适应算法、分布式扩散估计和CS理论,提出了一种用于稀疏参数分布式估计的压缩融合重构自适应策略,记作CCRA(Compressed Combined Reconstruction Adaptive)。该策略应用于所估计的目标参数是稀疏的场景。文中给出了CCRA策略的运行步骤,证明了CCRA策略的收敛性。仿真表明,在目标参数是稀疏的情况下,相比其他低负载策略,CCRA策略在完全不影响网络估计性能的情况下,降低了通信负载。