无线传感器网络(Wireless Sensor Network,WSN)由监测环境中大量相互协作的微型传感器节点构成,它们将采集的信号通过无线通信、多跳自组织的方式传递到控制中心。WSN可迅速部署和自动组网,具有极高的隐蔽性和容错性,但传感器节点的电源能量、计算和存储能力都非常有限,所以对WSN数据压缩方法的研究具有非常重要的意义。如何在降低感知节点计算复杂度和能量消耗的同时提高数据压缩精度和效率,是无线传感器网络数据压缩方法研究亟需解决的问题之一。本文主要对WSN数据压缩技术展开工作,对如何减小WSN网络能耗及提高数据压缩效率进行研究,给出课题的研究背景和意义,概述WSN和WSN数据压缩相关基础知识,并对几种应用广泛的数据压缩算法、主要思想和优缺点进行介绍。针对目前数据压缩方法的计算复杂度高、压缩效率和数据恢复准确率较低的情况,给出三种解决方案:首先提出一种基于空间相关性与灰色模型的WSN数据压缩方法(Piecewise Data Compression Method for Grey Model,GMPDC)。该方法基于WSN单层分簇结构,首先要求传感器节点将采集的数据分段发送,然后在簇头结点采用低计算复杂度的WSN数据压缩方法消除数据空间冗余,最后在基站通过灰色模型对压缩的数据进行恢复。另外,通过实验分析在不同段长及压缩率情况下,基站分别采用灰色马尔科夫链模型与灰色模型对数据的恢复效果,证明灰色模型应用于WSN数据压缩的有效性。最终,实验仿真结果表明,所提出簇头-基站分离式结构的方法GMPDC可显著减少网络中数据的传输量,提高压缩精度和效率。其次,提出基于改进灰色模型的WSN数据压缩方法(Piecewise Data Compression Method for Odd and Even Grey Model,OEGMP)。在该方法在GMPDC的基础上,考虑WSN数据传输机制对灰色模型改进,使其更适用于要求减小传输量并提高压缩精度的WSN数据压缩。通过实验得到,在同一压缩率改进灰色模型对数据的恢复效果较灰色模型、灰色马尔科夫链模型有很大的提高,并根据三种模型在不同段长及压缩率情况下的数据恢复效果给出算法的最优模型与段长。仿真结果表明,改进的方法较GMPDC可以进一步有效地提高压缩精度和效率。最后,区别于消除空间冗余的GMPDC和OEGMP方法,针对WSN数据单个节点多参数之间的相关性提出基于隐马尔科夫模型的WSN数据压缩方法(Piecewise Data Compression Method for Hidden Markov Model,HMMPDC)。该方法基于节点-基站分离式结构,首先通过分析历史数据确定基准数据集和模型最优参数;其次将单个节点等时间间隔采集的多种类型参数进行相关性分组后,对基准数据集和非相关性数据进行分段多项式拟合,并发送部分相关性数据;最终在WSN基站采用隐马尔可夫模型(HMM)对相关性数据未发送部分进行恢复。仿真结果表明,与传统数据压缩方法相比,提出的方法能够有效减少WSN数据传输量,有较强的适用性和扩展性。