无线传感器网络（Wireless Sensor Networks,WSN）作为物联网感知层的核心,实现了信息世界与物理世界的融合。目前,为了提高WSN节点利用率及采集数据的完整性,大多数的WSN节点被配置了多个传感器。然而,由于低成本的WSN节点在计算、通信、存储方面受限,导致数据采集冗余度高,数据采集效率低下,且WSN节点很难为采集的密集型数据提供计算及存储资源。传感云通过强大的云服务器扩展了 WSN节点计算、存储方面的不足,但也带来了高响应时延、低数据安全和隐私问题。而边缘计算作为高性能、低延迟、高带宽的新型计算范式,能够把云计算的资源下沉到网络边缘,并高效处理海量数据,这为提高WSN性能提供了一种新的方案。针对WSN的上述问题,本文结合边缘计算,对无线传感器网络进行了性能优化研究,主要包括以下几个方面:第一:针对多传感器WSN数据采集冗余度高问题,提出了一种边缘协同分析数据采集优化方案。首先,提出了一种基于字母编码的数据编码方法（Letter Coding,LC）,确保传感节点数据与请求数据长度的一致性,便于计算数据质量。其次,设计了一种边缘协同分析节点选择算法（Edge Cooperative Analysis Node Selection,ECANS）,通过分析数据请求任务与节点的相关度,在最大化数据质量前提下得到数据采集的最佳策略;最后,考虑到多个数据采集任务在相同时隙并发执行,相同数据被重复采集,导致节点时延、能耗增加问题,在ECANS算法基础上、提出一种基于LRU-K（Least Recently Used K times）缓存策略的边缘协同分析数据采集算法ECANS-LRUK（Edge Cooperative Analysis Node Selectionbased LRU-K）,实现不同数据采集任务间的数据共享,进一步降低了数据采集的时延及能耗。实验证明,本文所提数据采集方案,在时延和能耗方面均优于其他数据采集方案。第二:针对WSN节点计算及存储资源受限,无法处理已采集的密集型数据问题,提出了 一种分布式边缘协同资源选择方案（Distributed Edge Collaborative Resource Selection,DECRS）,为资源受限的WSN节点提供计算与存储资源。首先,对密集数据分块,然后根据密集型数据的信息及边缘服务器的状态建立隐私熵、时延及能耗的联合优化模型,最后通过智能启发式算法得到边缘资源选择的最优策略。实验证明,所提密集型数据卸载方案在时延、能耗、隐私熵及联合开销方面均优于其他策略。