随着通信技术的发展，无线传感网络（WSN）的研究愈来愈受到关注。WSN的传感器节点一般采用微型电池供电，节点数据采用多跳的方式进行传输，从而造成了WSN的能量受限及负载不平衡。WSN节点存在大量的感知数据，这些数据的传输、处理和存储需要消耗较大量的能量。因此，节省能耗的一种有效途径就是采用压缩感知进行数据压缩。为了平衡负载、降低能耗达到延长网络使用寿命的目的，本文采用压缩感知方法对WSN数据的检测、压缩和重建进行了研究。为了平衡负载，本文设计了一种新的观测矩阵更好地平衡节点负载；对信号稀疏变换采用改进主成分分析，压缩处理的数据，保证重构精度；采用改进后带有反馈的贝叶斯模型的算法，改进重建信号的精度。本文的主要工作如下：首先，针对无线传感网络中使用高斯随机矩阵不能很好平衡负载的问题，本文结合路由选择设计了一种新的观测矩阵，即以小组方式平分WSN节点，在不影响重构精度的情况下，轮流向汇聚节点传输数据，并结合反馈系数做稍微的调整，达到利用压缩感知的方法平衡负载，并对此进行了仿真实验验证。其次，对WSN数据的压缩，采用改进的主成分分析方法(PCA)。由于离散余弦变换和小波变换分别只适合平滑的信号和带有尖峰、断点的信号，而无线传感网络中采集的信号既可能是平滑的也能是带有尖峰的，并且具有较强的统计相关特性，所以本文采用了改进主成分分析方法。针对WSN数据，采用逐层融合的传输方式，对每层都进行独立的主成分分析来压缩数据，以达到减少传输的数据、节省能量的目的。在此基础上，本文还对多重主成分分析与单重主成分分析在数据压缩以及能量消耗方面进行了对比实验，结果表明多重主成分分析可以提高数据压缩率以及降低能量消耗。最后，采用改进后带有反馈的贝叶斯模型进行WSN信号重建。相比基追踪（BP）、正交匹配(OMP)以及已有的基于贝叶斯模型算法，改进算法在重构精度方面有了明显的提升，通过仿真实验加以验证。此外，加入反馈的贝叶斯模型方法能实现系统的自适应，使系统能够在无人监控的情况下，运行更加持久稳定。