无线传感器网络（Wireless Sensor Networks,WSNs）通过众多能随意部署的传感器节点以多跳（Multi-hop）的形式实现对监测区域内感知数据的采集,在环境监测,军事战场等领域应用广泛。由于靠电池供电的节点能量有限,数据处理能力弱,且密集部署会造成采集数据的冗余,从而增大节点的能耗。因此,如何减少传感器节点的传输量,平衡负载能耗是目前WSNs发展亟待解决的问题。而压缩感知（Compressed Sensing,CS）作为新型数据压缩采样方法,能利用少量的观测量完成对原始信号的重建,将其应用于资源有限的WSNs可在一定程度上降低节点所需传输数据量,达到降低能耗的目的。本文在基于CS的数据压缩采集技术以及测量矩阵两个方面展开深入研究,具体工作如下:1.针对固定采样率造成节点能耗增大,网络资源浪费等问题,设计了一种动态采样率的WSNs数据压缩采集策略。该方法基于混合压缩感知（Hybrid CS）的分簇式WSNs,首先在簇头节点应用Hybrid CS采集少量观测值并传输给汇聚节点（sink）,sink再利用重构算法对各簇压缩测量数据进行分簇重构;然后将各簇数据分段线性拟合后得出确定系数R~2;再通过增量控制因子,得出每段的采样率;最后反向调整簇头所需测量值。实验结果显示,网络能依据采样率的动态变化对观测值的不同需求做出实时调整,进而最小化满足重构精度的数据传输量。相较于固定采样率的压缩数据采集策略,此方法更适用于监测实时变化的信号,并以一定的计算开销换取采样次数的减少,且能有效提高数据的重构精度。2.为解决信息冗余造成传输量过大的问题,从测量矩阵出发深入研究了信号的线性测量过程,利用双结构的构造思想,提出了一种混合单位方阵（Identity matrix,I）与伯努利矩阵（Bernoulli Matrix,B）的双结构测量矩阵[I B]。它利用单位方阵的计算复杂度低以及伯努利矩阵的重构性能良好的特性,具有一定的普适性。为验证[I B]矩阵在信号重构的有效性,从理论上分析证明了[I B]满足有限等距准则（Restricted Isometry Property,RIP）,并在合成随机信号和真实WSNs数据集中进行仿真验证。仿真实验表明,[I B]能够在不降低恢复性能的基础上降低压缩比,减少WSNs传输量。最后,分析对比[I B]、[R]在动态采样率下压缩数据采集的仿真实验中,[I B]的重构误差更低,重构精度表现更优。