随着无人机(Unmanned Aerial Vehicle,UAV)成本的不断降低和设备的小型化,以及其较高的移动性,部署的灵活性等优点,UAV引起了国内外的广泛关注。在通信领域,UAV协助野外或者不易到达区域的地面传感器节点进行数据采集和传输是其重要功能之一。由于UAV能量有限,频繁的进行数据采集容易增加UAV的能量消耗,降低UAV的工作时间,同时易采集到大量的冗余数据。为了降低UAV能耗,延长网络的生存时间,如何降低UAV的数据采集次数以及如何进行冗余数据处理是一个值得研究的问题。本文针对传统UAV数据采集方案造成的高能耗问题以及UAV回传的数据冗余度较高的问题,研究基于反向传播(Back Propagation,BP)网络预测模型的UAV数据采集周期动态调整节能策略以及基于时空相关性的冗余数据处理方案。现有的周期调整方案,周期的变化无法准确匹配环境的变化,容易采集较多的冗余数据,造成UAV额外的能量消耗。本文依据BP神经网络预测模型实现数据预测,在预测模型中,通过对环境参数的训练和学习,获得高精度的预测结果。使用闵可夫斯基距离公式计算预测值与当前周期真实值的距离,通过距离大小评估采集区域的环境变化幅度。在不同的环境变化幅度下,通过三阶段策略动态调整UAV进行数据采集的周期大小,使得周期的变化能够匹配环境的变化,实现降低UAV数据采集次数的同时又保证UAV采集的数据完整性。同时依据数据采集周期的大小自适应调整UAV的状态,使得UAV在合适的时间由飞行状态转为休眠状态,减少UAV的飞行时间,降低UAV能耗。在数据回传阶段,由于环境平稳变化的特点,传感器节点的数据变化幅度比较小,各个周期采集的数据值相似度较高以及同一个周期各个节点间的数据的相似性较高。考虑到仅从单个维度进行数据分析的局限性,本文对UAV采集的数据分别从时间维度和空间维度进行相似度分析。在时间维度将本周期采集结果与上周期的采集结果采用改进的欧氏距离进行相似性比较,相似度较高则丢弃,否则保留,实现初步的数据缩减。在空间维度将时间维度处理后的数据依据改进的凝聚层次聚类算法实现数据聚类,将相似度较高的数据划分到同一个簇中。最后将聚类结果采用d-huffman编码算法进行数据压缩处理,减少回传的数据量,降低通信能耗。最后,将本文算法与现有算法进行仿真对比,结果表明本文算法能够进一步降低UAV系统能耗。