本文针对参与感知网络所涉及的抽样生成问题,数据融合和数据处理问题,以及推荐服务问题展开研究。具体工作主要包括以下几个方面:本文第一部分针对参与感知网络中随机抽样算法抽样结果不能很好地代表原始网络问题,设计了一种基于Dijkstra最短路径抽样算法。首先,利用Dijkstra算法多次抽取网络中节点之间的最短路径;然后,对抽取到的路径中边出现频率进行排序,选择较高频率的边组成抽样子图。算法解决了随机抽样算法存在的一些问题,实现了较好的生成抽取抽样网络功能。通过仿真实验与随机抽样方法相比,证明了该抽样算法能更好的反映原始网络。本文第二部分针对传统多传感器数据融合方法计算结果存在偏差较大和计算复杂度较高的问题,设计了一种“两步走”的方法,第一步利用模糊C均值聚类算法对采集到的数据进行聚类分析,剔除偏差较大的类;第二步利用数据融合的方式,对可靠类数据进行融合,从而降低数据冗余度。通过仿真实验与传统数据融合算法进行对比,证明了本方法能够使得采集到的数据更加贴近真实值,从而实现网络中传感器数据的优化提取。本文第三部分针对传统推荐算法系统中数据稀疏导致推荐质量差的问题,提出了一种基于阴影集粗糙模糊C均值聚类的协同过滤推荐算法(SRFCM-CF),解决了由于评分数据稀疏导致最近邻选择误差大的问题,优化了协同过滤推荐系统中最优近邻集合的筛选,从而实现数据的高效推送服务。通过仿真实验,与一些传统的推荐算法相比,证明了该方法能够更好地进行近邻集合的筛选,也能够更好的提升推荐系统质量。本文的研究工作部分解决了现有参与感知网络抽样生成和数据服务的一些问题,从而进一步提高了参与感知网络的分析效率,节约了资源。