无线传感器网络(Wireless Sensor Networks,WSNs)具有部署简单、分布式和自组织等特点,在环境监测领域有广阔的应用前景。由于传感器节点的能量有限,实现对网络监测区域内数据的有效采集成为WSNs亟待解决的问题。压缩感知(Compressive Sensing,CS)是一种新颖的信号采样理论,它首先通过测量矩阵采集较少的测量值,然后利用重构算法恢复出原始数据。这种方法可以降低传感器节点编码的计算复杂度,均衡网络中节点的能量,因此,CS理论为WSNs中具有稀疏性的数据提供了一种有效的采集框架。在WSNs中的异常温度检测及温度监测中,异常温度数据相对于大量温度数据是稀疏的,而温度数据通常在某一变换域内稀疏。本文以此为研究背景,对稀疏数据采集及数据的稀疏表示进行了深入研究,主要内容如下:研究WSNs中稀疏数据的采集算法,以实现环境监测中异常温度的检测。由于监测区域内的温度缓慢变化,温度的突发改变产生异常数据可视为一个稀疏事件。针对稀疏事件检测这一问题,本文考虑移动代理具有移动性和智能性等优势,依据CS理论提出一种基于移动代理的WSNs稀疏数据采集算法(MA-Greedy)。该算法采用每列具有固定非零元素的稀疏二进制矩阵作为测量矩阵,保证了稀疏数据的恢复性能,并且将移动代理模型引入到CS框架下的稀疏数据采集。MA-Greedy算法以变异系数(Coefficient of Variation,CV)为指标,通过测量矩阵与贪婪策略规划移动代理的迁移路径,提高了传感器节点之间能量消耗的均衡性能。研究WSNs中自适应的稀疏数据采集算法,以实现监测中异常温度的连续检测。针对实际应用中稀疏数据稀疏度未知的问题,本文根据稀疏二进制矩阵研究了稀疏度的估计方法,并基于稀疏度和数据长度进一步研究了最小测量次数的调整问题,提出一种基于稀疏度估计的WSNs稀疏数据采集算法。在每轮数据采集中,该算法首先采用稀疏度估计机制精确估计稀疏数据的稀疏度,然后在保证数据恢复性能的前提下,通过蒙特卡罗实验确定最小测量次数与稀疏度之间的函数关系,以达到自适应调整测量次数的目标。同时,本文将网络整体的能量消耗和传感器节点之间能量消耗的均衡性能作为算法的综合评价指标,提出一种基于信息熵的综合评价方法,仿真实验验证了算法的综合性能。研究温度场中感知数据的稀疏表示算法,以实现CS理论在温度场监测中的应用。针对温度场中感知数据的稀疏性问题,本文提出一种基于扩散小波的WSNs数据稀疏表示算法。该算法通过加权图描述感知数据之间的空间相关性,应用扩散小波理论对感知数据进行多尺度分析。根据通信半径、加权邻接矩阵及归一化的拉普拉斯矩阵构造扩散小波基(稀疏基)的扩散算子,并从理论上证明了扩散算子的高次幂具有低数值秩特性,可在子空间内进行压缩。模拟温度场实验和实际温度场实验证实了构造的稀疏基能够使感知数据更加稀疏。与其它稀疏基相比,所构造的稀疏基能够减少感知数据的重构误差。研究环境监测中序列温度数据的稀疏表示及采集算法,以实现环境温度的连续监测。针对序列温度数据的采集问题,本文根据序列温度数据之间的空间相关性提出一种压缩测量模型。通过此模型构建感知数据的稀疏基和测量矩阵,并以最小化网络整体的能量消耗为指标,提出一种基于CS的WSNs序列数据采集算法。其中,压缩测量模型以温度数据具有短期稳定性为前提,通过协方差矩阵的特征值分解构造序列数据的稀疏基。序列数据采集算法中的测量矩阵采用稀疏二进制矩阵,基于此设计最短路径算法。在每次测量中,仅有部分传感器节点参与压缩数据采集,它们的感知数据通过最短路径算法传输至sink节点。实际环境温度数据验证了压缩测量模型的有效性且最短路径算法降低了网络整体的能量消耗。