随着物联网的兴起,作为物联网重要组成部分的无线传感器网络(Wireless Sensor Network,WSN)也得到了不断的研究和发展。无线传感器网络是一种面向应用的网络,网内包含大量密集部署的节点,这使得节点间采集的数据存在大量的空间冗余。另外,WSN中的节点通常以周期性的方式高频采集数据,这使得同一节点采集的数据存在大量的时间冗余。时空冗余数据极大的消耗了节点有限的能量,同时也会导致通信的干扰,增加数据的传输延迟。因此,如何高效的消除网内的冗余数据,降低节点发送的数据量,对于降低节点能耗具有十分重要的意义。为此,本文重点研究了网内数据的时空关联特征,并提出了两种基于数据变化模式的冗余消除机制,以消除大量的时空冗余数据。首先,本文根据物理现象的全局周期性和局部线性特征,提出了一种基于模式统计的冗余消除机制(PSB)。该机制通过统计各种线性模式的出现次数、出现时间和每次的持续时间,计算得到每种线性模式的加权频率,以表征它们在未来出现的可能性。然后基于得到的统计信息,并结合最小二乘法,PSB可以获得一个最可能出现的线性模式作为预测模型,并对节点未来采集的数据进行预测。若节点采集的数据与预测值相差小于阈值e,则可以不发送数据。Sink节点未收到数据时,将直接采用预测值。通过这种机制,PSB可以有效的消除时间冗余数据,同时能够确保数据的精度。相较于之前的方法,PSB不仅利用了物理现象的局部线性相关特征,同时充分挖掘了数据的周期相关性,所构建的预测模型的预测准确率和预测精度得到很大的提高,从而有效地减少了节点的发送次数,降低了节点的能量消耗。仿真实验表明,与其他两种方法相比,PSB在各方面的性能上,具有显著的提高。其次,依据很多邻近节点的温度数据差值近似恒定这一现象,本文提出了一种挖掘节点间关联模式的相关性判定方法。然后根据此判定方法,提出了一种基于关联模式的数据聚合算法(CMB)。CMB在Sink节点挖掘相邻节点间的关联模式,并根据关联模式构画出网络节点的关联图。然后基于最短路径算法,为关联图中的各连通分支建立最短路径汇聚路由树。而在汇聚路由的构建过程中,CMB告知各节点与其子节点的关联模式。当节点接收到子节点的数据后,如果子节点的数据与节点本身采集的数据符合关联模式,则CMB将消除这个子节点的数据,从而达到数据聚合的目的,并消除了空间冗余。当聚合数据最终到达Sink节点后,CMB利用接收到的聚合数据和挖掘出的关联模式,可以在指定的误差阈值内恢复出被消除的数据,从而得到完整的原始采集数据。基于真实温度数据所做的仿真实验表明:CMB算法在数据聚合度和平均误差等方面具有优异的性能。