无线传感器网络(Wireless Sensor Networks,WSNs)中节点受限于自身体积,所携带的能量有限,因此如何降低节点能耗是WSNs在实际应用中亟需解决的问题,而且数据的传输能耗占节点能耗的主要部分。在大规模密集部署的WSNs中,节点所采集的数据具有较强的时空相关性,这使得利用时空相关性进行精确的数据预测,减少数据传输量,降低数据传输的能耗,延长网络生命周期成为了可能。本文深入地研究了WSNs中数据预测技术的原理、特点和性能指标,结合网络中数据的时空相关性,提出了两种数据预测算法:基于马尔科夫链的空间相关性数据预测算法和自适应时间相关性数据预测算法。本文研究内容主要有以下两部分:(1)基于马尔科夫链的空间相关性数据预测算法研究。针对目前主流的时间相关性数据预测算法在数据波动大时预测精度低的问题,本文引入Delaunay三角形邻近图来度量网络中监测数据的空间相关性,并根据相邻节点间的距离计算网络中监测数据的空间相关性权重系数。最后利用马尔科夫过程准确描述WSNs中相邻节点间监测数据的变化过程,提出基于马尔科夫链的空间相关性数据预测算法。该算法运行在簇头和汇聚节点内,利用簇内成员节点间数据的空间相关性减少簇头和汇聚节点间的数据传输量。(2)自适应时间相关性数据预测算法研究。本文分析了无线传感器网络中数据的时间相关性,将数据分解为线性变化部分和非线性变化部分。对非线性变化部分数据使用灰色预测模型进行预测,提出了自适应时间相关性数据预测算法。该算法运行在簇内成员节点和簇头,利用节点内数据的时间相关性降低成员节点与簇头间的数据传输量。本文最后将以上两种算法相结合,构成自适应时空数据预测算法,并在网络中对其节能效果进行了仿真实验。实验结果表明,相比其他的数据预测算法,可有效提高数据预测精确度,降低网络内的数据传输量,延长网络的生命周期。