无线传感器网络(Wireless Sensor Network，WSN)是由大量廉价微型传感器节点组成，通过无线通信方式形成的一个多跳的自组织网络。传感器节点具有体积小、成本低和精度高的优点，其应用范围越来越广，如环境监控、生态监测、医疗监测等。然而，传感器节点在存储资源、计算能力、能量等方面的局限性，成为其进一步大规模应用的阻碍。　　 数据融合技术(Data Aggregation)可删除多份数据之间的冗余数据，同时融合来自不同节点的数据，最大限度地提取被测目标的信息量。目前，传感器网络中的数据融合技术得到了极大的关注。压缩感知(Compressive Sensing，CS)理论作为新兴的数据处理技术，为数据融合提供了新的思路。不同于传统的Nyquist采样定理，CS能够以低速率进行信号采样，并行地对数据进行适当压缩处理，实现特征级融合。将CS理论应用到WSN中，能够显著降低网络的数据通信量，从而达到节省能量的目的。目前CS的WSN应用研究刚刚起步，其实际应用模型还不完善，有待进一步探讨和优化。　　 首先，针对目前压缩感知的WSN应用都局限于单个节点的数据处理，且未考虑节点之间关联性的问题。本文提出了一种适用于WSN的协作压缩感知策略。根据传感器节点各自的能量消耗状态，节点之间以协作的方式选择稀疏基，进而通过冗余字典增大数据重构的准确度。该策略能够在未知接收数据的情况下，以合适的稀疏形式表示数据，适用于应用场景复杂的WSN，更利于汇聚节点全面地获取源节点的数据，并有效地增强传输过程的鲁棒性，达到降低能耗的目的。　　 然后，本文讨论了WSN特征提取后的决策级融合问题。当WSN规模增大或应用增多时，数据量随之上升，数据种类复杂。作为WSN的决策级融合，汇聚节点的分类算法需要考虑如何在减少传感器节点上传数据的同时，保证算法的分类准确度和快速性。作为CS的扩展，分布式压缩感知(Distribution CompressiveSensing，DCS)适合应用于具有分布式特性的无线传感器网络数据处理。由此，本文设计了一种适用于能量受限WSN的数据分类方法，利用网络数据的稀疏性和相关性特点，基于稀疏表示和DCS理论，将数据的稀疏系数向量表示为共有和特有两个部分，获取数据的类别特征，作为分类的重要依据，避免传统分类方法学习阶段的额外开销，能够显著降低传感器节点传输能耗，并且有效提高了算法效率和数据处理能力。　　 最后对本文进行总结，并且针对可能的研究方向，给出下一步工作。