无线传感网络是通过多个小型、低价、智能的传感器组成的监测网络,被广泛应用于医疗、军事、科研等领域。无线传感网络给生活带来便利的同时,我们也不得不关注传感器节点自身的局限性。首先,传感器节点通过电池供电,且通常分布在环境比较特殊的地区,所以电量有限而且很难更换电池,如何在发挥其作用的同时最大限度的节省能量一直是国内外研究的热点。其次,无线传感网络采集到的数据具有一定的相关性,导致传感器节点收集到的数据有一部分是冗余的,冗余数据不但会浪费处理资源而且会增加传感器的能耗,因此,对冗余数据的处理也具有重大研究意义。针对无线传感网络存在的问题,本文利用无线传感网络的时空相关性特点,对无线传感数据的时空相关性进行了研究,并对已有的算法进行了改进。本文的主要内容如下：首先,本文对传感器节点收集数据的时间相关性进行了研究,通过时间序列建模对节点采集的数据进行预测,减少了成员节点向sink节点传输的数据量,从而节省了能量消耗。在此基础上本文分析了传统的时间相关性算法以及时间序列模型中的灰色模型和白回归AR模型(Autoregressive Model)的特点,为了同时发挥灰色模型与AR模型的优势,本文提出了一种灰色模型与AR模型相结合的建模方法G-AR(Grey and AR model),利用加权数据融合思想将预测数据定义为两种方法的组合,从而减少单一模型出现较大误差的情况。仿真结果显示,G-AR模型在预测精度以及数据传输率方面优于灰色模型、AR模型以及传统的时间相关性算法,在通过G-AR模型进行数据预测时,减少数据传输的情况下保证了数据精度。其次,本文对传感器节点收集数据的空间相关性进行了研究,分析了近年提出的EAST(Efficient Data Collection Aware of Spatio-Temporal Correlation)算法的不足,提出了基于EAST算法的改进算法IM-EAST(Improved EAST)。在分簇中涉及到的簇头选择问题,综合考虑节点的剩余能量和通信距离,并且在向sink节点转发数据时,转发节点的选择充分考虑了最优跳数与最优传输距离,从而最大限度的减少无线传感网络的能量消耗。该方法很好的弥补了EAST算法中对簇头和转发节点选择策略的不足,对各种因素考虑的更加全面。实验结果表明,IM-EAST算法比EAST算法消耗更少的能量,网络的生命周期比EAST算法更长。最后,我们对本文进行了相关总结,分析了优点与不足,并进行了展望。