无线传感器网络(Wireless Sensor Networks,WSNs)是物联网(Internet of Things,Io T)的重要组成部分,具有技术理念先进、组网灵活快速、部署方便易行等独特优点。WSNs能够实现现有网络向物理世界的延伸,改变了人类与物理世界的交互方式,近年来受到全球范围研究者及工业企业界的高度关注。目前,WSNs在战场监测、地质灾害救援、物流运输、智能家居和环境保护监管等诸多领域,已经获得广泛应用。但由于WSNs节点能量、通信能力、计算与存储能力有限,面对不断増长的复杂场景模式和多样化的具体业务需求,仍存在着许多重大技术挑战。本文利用稀疏信号处理理论来解决稀疏应用场景下WSNs目标定位、节点定位、节点优化选择等问题,达到节省网络能量,延长网络生命周期的目的。主要研究工作和创新如下:(1)提出基于改进正交匹配追踪技术的目标定位算法。针对WSNs目标定位问题的稀疏特性,首先将定位区域网格化,部署多个传感器节点来测量目标节点接收信号强度,把目标定位问题转化为稀疏搜索问题,建立基于压缩感知的定位模型。然后采用正交化预处理方法,使得测量矩阵能够更好的满足约束等距性。最后从定位恢复的角度出发,通过在一次迭代中选择多个原子的方式对正交匹配追踪技术进行改进,从理论上降低了计算复杂度,并且抗噪性能良好。(2)提出基于稀疏贝叶斯学习的多目标定位算法。为满足压缩感知理论对测量矩阵的约束等距性要求,采用一种不影响原始信号稀疏性的矩阵分解方法对测量矩阵进行预处理。为进一步提高多目标定位精度,利用基于变分近似求解的稀疏贝叶斯学习把稀疏信号的恢复表示为线性回归问题,将稀疏先验知识近似为模型的联合后验分布参数。为解决网格化假设带来的误差,提出基于K-均值聚类和加权质心定位的方法,对不在网格中心点的目标进行准确定位。(3)提出基于欧式距离矩阵填充的节点定位算法。首先把基于非完全欧式距离矩阵的节点定位问题等效为一组线性等式约束下的低秩矩阵填充问题。然后利用欧式距离矩阵的低秩特性,在低秩矩阵分解的基础上,提出基于稀疏贝叶斯学习的矩阵填充方法来恢复原始欧式距离矩阵。最后运用多维标定技术得到节点间相对位置,并结合锚节点的坐标信息,将相对位置进一步转化为绝对位置。该方法使用少量的采集数据实现高精度节点定位,提高了定位效率,尤其适用于大规模无线传感器网络。(4)提出稀疏估计下的优化传感器节点选择算法。针对WSNs稀疏信号估计问题,采用最小均方误差(Minimum Mean Square Error,MMSE)估计器的均方误差下界作为目标函数,提出一种MMSE意义上的传感器节点优化选择算法,分别考虑了相关和不相关噪声两种情况。为解决优化问题的非凸性,提出了一种凸松弛方法,将节点优化选择问题转化为一个次优的半定规划问题。并进一步采用加权松弛算法,通过迭代求解的方式解决了布尔量约束松弛导致的分数解问题。最后提出一种等效的随机优化方法,解决了计算复杂度较高的问题。