无线传感器网络(Wireless Sensors Networks,WSNs)作为一种崭新的信息感知技术,在智能家居、工业3.0、军事国防、远程监测等多领域获得广泛应用,并在物联网中扮演着信息获取的重要角色。然而,传感器节点易受恶劣环境气候等非人为因素影响而损坏,或者为了保证网络寿命而将压缩感知(Compressed Sensing,CS)技术融入到无线传感器网络中都不可避免地导致原始数据丢失。为了保证无线传感器网络感知数据的准确性和完整性,本文针对信号本身携带的丰富先验信息,提出了两种高效的丢失数据插值方法。主要工作如下:1.研究非参数贝叶斯方法及其常用模型——狄利克雷过程,针对传统固定尺寸的正交基或冗余字典在面对稀疏性动态变化的信号缺乏自适应性,本文提出了一种基于非参数贝叶斯字典学习的丢失数据插值方法。在统计学习的基础上,引入参数个数和尺寸不受限制的非参数贝叶斯先验,将宽分布与样本信息相结合,再通过吉布斯抽样方法推断得到最优参数,进而插值恢复丢失数据。本文采用真实的环境温度数据进行实验仿真,实验结果表明本文提出的插值算法能有效恢复丢失数据。2.针对传感器网络数据的多样化,其结构特征复杂,传统的单一结构字典已难以最优表示这类信号。本文提出基于结构信息的的字典学习插值方法,并在该算法基础上改进了字典训练方式,提出了基于结构信息的非参数贝叶斯字典学习插值方法。通过引入小波变换和TV变换来充分挖掘信号本身携带的结构先验信息,并采用非参数贝叶斯字典学习方法来获得最优的多结构字典和稀疏系数,实现插值丢失数据。仿真结果表明,本文所改进算法能够进一步提高插值准确率并缩短运行时间。