无线传感器网络(Wireless Sensor Network,WSN)通常是由大量能量受限的传感器节点,以无线多跳路由方式通信的自组织网络,这些分散的节点能够协作地实时监测、感知和采集各种环境对象的信息,已被广泛用于各个领域中。然而,WSN中的感知数据量十分庞大,使得各节点在无线传输过程中需要消耗大量的能量,但传感器节点自身通常没有持续的电力供应。因此在保证数据传输质量的前提下,通过减少网络数据传输量从而降低网络能耗,对于延长WSN的生命周期有重要的意义。压缩感知(Compressed Sensing,CS)技术突破了传统的奈奎斯特采样定律对数据采样频率的限制,将WSN中感知数据的采集和压缩同时进行,从而利用少量的数据观测值准确重构出原始感知数据。但是简单地将压缩感知应用到各感知节点上并不能高效降低网络数据传输量,还需要依据网络结构及感知数据特点设计性能更加良好的数据收集方法。分簇式网络结构具有鲁棒性强与网络负载均衡等优势,因此本文以分簇式WSN为对象,首先根据WSN感知数据的线性程度变化规律设计了一种采样率自适应的数据收集方法,其次为将该方法中的重构算法进行优化并考虑WSN感知数据稀疏度未知的情况,提出了一种基于阈值的变步长稀疏度自适应匹配追踪算法(Threshold-based Variable-step Sparsity Adaptive Matching Pursuit,TVsSAMP),即利用自适应压缩感知技术对分簇式WSN数据收集方法进行了改进。具体工作如下:(1)介绍了WSN的特点,简述了压缩感知的基本理论框架及其三个关键步骤,分析了基于压缩感知的WSN数据收集方法的研究现状。传统的将压缩感知技术应用于感知节点的数据收集方法尽管能够在一定程度上降低网络数据传输量,但该方法数据量仍比较大。针对该问题,本文在基于混合压缩感知的分簇式网络数据收集方法之上,通过加入自适应压缩感知算法设计了更加高效的网络数据收集方法。(2)基于分簇式网络提出了一种采样率自适应调整的WSN数据收集方法。分簇式传感器网络中基于混合压缩感知的数据收集方法可以有效减少数据传输量并均衡网络负载。但是,固定采样率因不能考虑信号的稀疏度在时间和空间上的变化,导致低采样率难以保证信号的重构质量,而高采样率又会造成资源浪费。针对此问题,基于数据线性程度分析提出了一种采样率自适应调整的分簇式网络数据收集方法。首先,Sink节点以簇为单位分析当前采样时刻与上一采样时刻重构数据的线性程度,以掌握数据变化趋势;然后,根据分析结果计算网络在下一采样时刻所需采样率及簇头节点所需观测值维数;最后利用数据传输树实现对簇头节点观测数目的自适应调节。仿真实验结果表明,与基于固定采样率的网络数据收集方法相比,该方法能够在增加少量反馈观测值维数所需的数据传输量的情况下有效提高压缩数据的重构精度。(3)针对WSN中数据稀疏度未知的情况,结合变步长思想提出了一种基于阈值的稀疏度自适应匹配追踪算法。将重构性能良好且不需要事先已知原始信号稀疏度的基于回溯的匹配追踪算法(Backtracking-based Adaptive OMP,BAOMP)以及稀疏度自适应匹配追踪算法(Sparsity Adaptive Matching Pursuit,SAMP)结合,首先在原子选择阶段利用自适应阈值控制加入估计支撑集的原子个数,以提升原子选择的正确率;其次在迭代过程中根据每轮残差之间的能量差值自适应地调整算法的更新步长,较好地解决了迭代次数与重构精度之间的矛盾。仿真实验结果表明,TVsSAMP算法较其他同类重构算法可以更好地平衡重构精度和重构时间的关系,并且将其应用于所提的采样率自适应调整的分簇式WSN数据收集方法时,Sink节点最终收集到的重构数据精度更高。