在能量收集（Energy Harvesting,EH）型物联网系统（Internet of Things,Io T）中,由于受到可用能量和频谱资源的限制,如何在准确重构信号的前提下降低数据传输次数（或传输时延）一直是一个极具挑战的问题,压缩感知（Compressive Sensing,CS）作为一种新兴的数据处理技术,无需满足奈奎斯特采样定理,通过少量的采样即可精确重构信号,能够有效降低系统的传输次数,进而减少信号处理和传输过程中的成本。在EH-IoT中,每个EH节点通过收集周围的能量来维持自身的运行,并通过多址接入信道（Multiple Access Channel,MAC）通信模型,消耗一定的能量向融合中心（Fusion Center,FC）传输其观测值,（也即传输次数）时隙后,FC接收到原始信号的压缩版本,在此场景中,所有传感器节点在每一时隙的能量分配（能量消耗）耦合信道效应,等效构成了标准CS理论中的测量矩阵,这个测量矩阵的性能决定了FC准确重构原始信号对传输次数的要求,一个性能好的测量矩阵能够在相同的传输次数下有更好的信号重构质量。本文的研究目标是在EH-Io T中,受到可用能量约束的条件下,优化每个时隙的能量分配,构造出性能优良的测量矩阵。主要的研究内容与创新如下:（1）基于MAC通信模型和CS理论,本文将EH-Io T中的能量分配问题转换为测量矩阵的构建问题,通过分析和利用t平均互相干性（t-Averaged Mutual Coherence,t-AMC）和互相干性（Mutual Coherence,MC）,在满足可用能量约束的动态条件下,提出了新的能量优化分配策略OA-t-AMC和OA-MC,并在此基础上给出了相应的在线模型,通过数值实验证明,所提出的能量优化分配方案的信号恢复质量,相较于传统的基于概率分配的策略,有明显的提高。（2）由于无论是通过凸优化还是牛顿类方法求解优化问题,其时间复杂度都较高,在时延要求比较低的系统中,OA-t-AMC和OA-MC优化算法可能无法适用,所以,本文通过使用神经网络来代替这一构造过程,训练数据集由OA-t-AMC算法生成,提出了基于卷积神经网络（CNN）的OA-t-AMC-CNN网络模型,并且提出了调整策略使得经过神经网络的输出满足约束条件,并同样给出了在线模型。经数值实验证明,OA-t-AMC-CNN模型能取得和OA-t-AMC相近的性能表现,但能量分配所需的时间大大减少。