无线传感器网络是一种新型的集数据采集、传输和处理于一身的网络,通过大量微型、智能化、低成本的感知节点,完成自动化的、大范围的信息采集任务。数据采集是无线传感器网络一切应用的基础,包括感知节点本地采样,无线信道上传数据以及融合中心重构信息三个阶段。鉴于无线传感器网络节点能量有限,计算存储能力较弱,网络中数据量大且冗余度高等缺点,本文引入压缩感知技术来实现低能耗、高精度、低延时的数据采集。压缩感知技术利用节点内和节点间的数据相关性对原始数据低维度压缩,并在融合中心高概率重构,在保留原始数据有效信息的同时降低了网络数据量和通信能耗,延长网络寿命。然而,压缩感知的引入带来了新的问题,主要包括寻找信号的稀疏表示,构建合适的观测矩阵,选择高精度低延时的重构算法三个问题,需要在本地采样、数据上传、信息重构的过程中得到解决。为此,本文以无线传感器网络中的压缩感知为对象,以改善数据采集性能和延长网络生命周期为目标,提出了相应的研究方案。本文主要工作如下:1.针对节点内观测信号具有较强时间相关性的网络,提出了一种基于卡尔曼预测的自适应压缩感知算法。由于节点内的信号时间相关性较强,观测节点可以采用卡尔曼滤波预测当前采样值,根据预测结果与实际采样的差值决定是否发送数据,通过减少发送节点数来构建空间稀疏性,同时降低观测节点的能量损耗。利用观测节点和中继节点间的高斯信道作为观测矩阵,中继节点接收的混合数据即为对稀疏发送数据的压缩观测值。另外,在融合中心采用自适应选择中继数量的序贯重构算法,逐步接收中继节点的数据尝试重构,重构成功即停止接收数据,降低中继节点的传输能耗。仿真结果表明,和其他基于预测的压缩感知算法相比,本算法观测节点的计算复杂度和中继节点的传输能耗大大降低而不会带来误差的增加。2.针对节点间观测信号具有较强空间相关性的网络,提出了一种基于不等概随机投影的压缩感知算法。由于节点间的信号空间相关性较强,同一时刻所有节点的信号在小波基或空间傅里叶基上具有稀疏性,可以采用随机选取节点的方法构建稀疏观测矩阵来降低观测节点的能量损耗。不等概随机投影要求观测节点根据本地采样信号的强度选择发送概率,并通过能量均衡算法进行调节,在其上传时隙到来时依调节后的概率发送数据至融合中心,融合中心依靠所接收的数据完成重构。仿真结果表明:和等概随机投影相比,本文提出的算法在不增加额外能量损耗的前提下,降低了整个区域,尤其是重点区域的重构误差。同时,能量均衡算法的引入可以避免部分节点长时间高概率发送数据,从而延长网络寿命。3.针对观测信号符合第一类联合稀疏模型的网络,提出了一种基于分布式联合重构的压缩感知算法。很多时候融合中心不需要获取全部的数据,只需要得到节点数据的线性融合结果。由于观测信号符合第一类联合稀疏模型,采用分布式重构算法可以减少重构所需的压缩观测值。为了降低重构复杂度,观测节点在本地用相同的观测矩阵对原始数据压缩,融合中心把融合与重构结合起来,通过分组、组内线性融合、联合重构、重构结果再相加四个步骤,只需要进行一次联合重构即可得到原始数据的线性融合结果。仿真结果表明:所提算法可以在不需要增加压缩观测维度的情况下降低融合中心的重构复杂度,大幅减少重构时延。