无线传感器网络是物联网中的重要感知技术。数据收集作为无线传感器网络的基本功能,是物联网智能服务的基础,具有十分重要的研究意义。大量现有的数据收集方法能够有效地降低网络的数据负载,但是无法满足大规模长时间持续数据收集在自适应性和可扩展性方面的要求；现有的基于移动节点的数据收集方法能够有效地均衡网络的数据负载,但是,在利用多个移动节点进行数据收集时,忽略了移动节点的通信能力与移动路径的影响,导致数据收集效率不高。针对上述问题,本文围绕数据收集方法,从数据的时间与空间相关性模型、分布式数据处理与收集方法、移动节点的移动路径优化和多移动节点协作的数据收集四个方面展开研究。主要的创新点如下：(1)提出了基于有向图的分层式数据相关性模型。针对数据的时间相关性和空间相关性,我们将数据相关性模型分为本地估计模型和数据近似模型两层。本地估计模型利用线性模型来描述单个节点数据的时间相关性；数据近似模型在本地估计模型基础上利用有向图来描述节点间的数据空间相关性。我们的数据相关性模型能够利用少量节点的数据来估计所有节点的真实数据,能够支持分布式数据处理。(2)在分层式数据相关性模型基础上提出了基于动态节点选择的分布式自适应近似数据收集方法ADC,用于大规模长时间持续数据收集。ADC通过传输部分代表节点的数据来降低网络负载,并将代表节点的选择转换为计算有向图的最小支配集,然后根据本地估计模型的变化调整相应的代表节点,确保数据的正确性,满足了长时间数据收集的自适应性需求。通过将相关的计算分散到簇头节点上,ADC实现了分布式数据处理,具有良好的可扩展性。(3)提出基于环状移动路径的多移动节点路径规划算法。当多个移动节点通过单跳通信的方式收集数据时,最小化移动节点的个数是NP难的。通过对比移动节点在不同移动路径下的数据收集效率,我们发现环状移动路径比非环状移动路径具有更高的数据收集效率。为此,我们提出了基于环状移动路径的启发式多移动节点路径规划算法来优化移动节点的移动路径。(4)提出了多移动节点协作的数据收集模式。移动节点通过协作将数据以移动节点间“多跳”的方式发送回sink节点,降低了数据收集对移动节点通信能力的要求。我们给出了多移动节点协作的前提条件,并证明了最小化该数据收集模式中移动节点个数是NP难的。为此,我们通过启发式的移动路径规划算法和运动规划算法来确保移动节点能够协作的同时,尽可能地提高移动节点的数据收集效率。大量实验验证了本文的数据收集方法的正确性和有效性。本文的分布式自适应近似数据收集方法不但能够保证数据的精度,具有良好的自适应性,而且,与同类方法相比,还能有效地降低网络的数据负载；本文的基于环状移动路径的多移动节点路径规划算法和多移动节点协作的数据收集模式能够有效地提高移动节点的数据收集效率,降低数据收集需要的移动节点个数。