作为物联网技术的核心之一,无线传感器网络(WSN)受到人们越来越多的重视,如何克服硬件资源的限制实现大规模的数据采集和传输,成为WSN广泛应用和物联网技术快速发展的瓶颈。压缩传感(CS)理论提出一种新的数据采集处理方式,采用消除原始数据的冗余,通过非自适应的测量方式从根本上减少数据的传输,突破了传统的数据处理技术。本文致力于将CS应用于WSN中,在深入研究WSN数据特性和CS关键技术的基础上,重点深入研究了CS重构算法,探寻出适合WSN数据特性的重构算法。在对匹配追踪系列算法和阈值迭代算法进行理论分析和实验仿真对比的基础上,针对稀疏度未知信号,提出一种稀疏度自适应的CSAMP算法,采用压缩采样,改进了支撑集原子选择方式及迭代终止条件,克服了传统的匹配追踪算法在信号夹杂噪声情况下无法精确重构的缺点,实现了夹杂噪声信号的稀疏度自适应重建,在提高算法准确度与效率的同时,对噪声有较好的鲁棒性,实现了重建过程的稀疏度自适应。同时基于MATLAB对算法进行仿真验证,可以看出该算法在重构精度、效率及稳定性上都有明显提升,且其对噪声的鲁棒性使其具有较强的应用潜力。在CSAMP的基础上,将迭代阈值思想与其高效结合,针对WSN数据特性提出ITCSAMP算法,对于稀疏度未知信号能够实现在提高算法重构精度与效率的同时,不仅对噪声有较好鲁棒性,而且还增强了处理较小测量信号时算法的稳定性,从而节省了WSN的硬件资源。利用MATLAB对算法进行仿真实验,并与其他算法对比分析,该算法实现了高精度、高效率、强稳定性的原始信号恢复。这必将促进CS理论在WSN中的应用步伐,对WSN的大规模应用有着重大意义。