压缩感知理论的核心思想是对信号采集的同时进行数据压缩,用最少的观测值重构出高精度的原始信号,而测量矩阵的性能优劣是关键因素。无线传感器网络(Wireless Sensor Networks,WSN)是一种无线通信的自组织分布式传感器网络,节点的能量和计算能力有限是影响网络生命周期的最大问题。因此,本文探讨了压缩感知在无线传感网络领域的研究现状,在研究现有测量矩阵的基础上进行了探索性和创新性研究。本文首先介绍了压缩感知的基本理论和概念,分析了测量矩阵应该满足的两个指导条件,即RIP(Restricted Isometry Principle)准则和相关性判别理论。并在此基础上,深入研究分析常见测量矩阵的构造方法和优化方法,总结各自的优缺点,为本文的研究提供坚实的理论基础。在测量矩阵构造方面,为了解决无线传感器网络中数据采集过程中的冗余和传输能耗问题,本文深入分析信号的线性测量过程,研究主流的确定性测量矩阵构造方法和性能,提出一种基于对角线性表示的测量矩阵构造方法,该方法结合对角矩阵和正交基线性表示原理,采用线性结构化的方法构造,过程简单,速度快,稀疏度高,没有冗余,适合硬件资源有限的传感器节点的实现。仿真结果表明,该方法在相同信号重构精度前提下信号恢复成功率更高,传感器节点可以通过压缩观测得到更少的测量数据,从而大大减少网络通信量。在测量矩阵优化方面,本文针对无线传感器网络中传统测量矩阵方法无法满足数据采集需求的问题,深入研究小波变换基系数分布的特点,结合梯度下降改进算法的收敛特性,从信号采集及测量矩阵两个方面进行优化,提出一种基于离散小波变换基的梯度下降混合算法,通过此方法能够降低原测量方法的数据空间复杂度,提高算法的收敛速度,增强测量矩阵与稀疏矩阵的非相关性。实验对比分析,该方法收敛速度快,数据重构成功率明显高于传统测量方法,降低了测量矩阵设计和实现难度,提高了降噪能力,适合在低采样率网络环境中应用。