无线传感器网络可广泛应用于环境监测领域。典型的传感网环境监测应用系统中，一方面前端感知节点周期性地向后台发送数据，如何降低系统在数据传输中的能量开销成为系统应用的主要问题，而利用时间序列预测技术为数据建立模型，应用模型驱动的数据传输方式可用来降低系统能量开销。另一方面，系统后端数据管理与应用中，如果不能预测出环境监测数据的未来变化趋势，则对环境的突发状况应急会带来不及时的问题。针对以上两点的需求，本工作重点研究时间序列预测技术，解决现阶段传感网环境监测应用中存在的以上两个问题。　　本文工作主要贡献如下:第一，提出了一种感知节点双模型驱动的数据传输机制，简称为OMDDA机制。现有的模型驱动的数据传输机制在传感器节点和网关节点上运行一个相同的预测模型，当模型的预测精度低于用户容忍值时，传感器节点需要进入模型更新阶段，此时需要进行持续的数据传输，从而导致模型更新阶段的能量消耗问题。OMDDA机制通过在传感器节点上运行两个预测模型，可以在模型的预测精度不能满足用户要求时，实现模型的即时更新，从而可有效解决模型更新阶段的数据传输带来的能耗问题。同时提出一种低开销、低复杂度和高精度的模型在线更新算法，即随机梯度下降算法(SGD)，该算法不需要额外的存储空间来缓存历史数据，同时计算量低，适用于资源受限的传感器节点。　　第二，提出了一种基于高斯过程模型的多步预测方法，简称GP方法。现有多步预测方法在对数据进行建模时，只针对数据的统计特性建模，而传感网环境监测应用采集的传感数据通常具有一定的物理意义，这使得现有工作对传感网环境监测应用的数据建模不具有针对性。GP方法通过经验模态分解技术，对原始传感数据进行分解，得到数据的物理特性，然后依据数据的物理特性，构建高斯过程核函数，建立数据的高斯过程模型。实验结果表明，该方法能够实现对传感数据的预测，从而可以得到数据的未来变化趋势，对环境变化及时采取预警措施。　　第三，设计实现了一个用于进行多步预测的通用计算组件，该组件结合传感网环境监测应用的实际需求，实现了多步预测功能，向该组件输入一段历史数据，通过组件的计算即可得到数据的未来变化趋势，实现传感网环境监测应用的需求。同时应用webservice技术将计算组件发布为一个预测服务，不同的传感网环境监测应用通过调用该服务可实现对未来时刻数据的预测，实现计算组件的重复利用，有利于加快传感网环境监测应用的实施和部署，降低不同传感网环境监测应用的开发难度。