物联网（Internet of things,Io Ts）是物理世界和数字世界在互联网基础上的融合与延伸,是一个功能强大、实现万物互联互通的巨型网络。物联网应用的性能依赖于大数据的处理、分析和决策,这些数据主要通过传感器获取。随着大数据时代的到来,物联网中产生了大量亟待处理的感知数据,这对物联网数据收集系统的存储、通信与计算资源带来巨大挑战。传感器在连续时间内生成的感知数据在时间上存在相关性,同一监测区域内不同传感节点的感知数据在空间上存在相关性,因此直接传输数据将导致信息冗余和资源浪费。另一方面,由于传感器部署在开放环境,导致感知噪声不可避免,噪声参数可能随时间动态变化。为实现物联网感知数据的高效收集,降低设备的通信能耗、节约存储资源,提高物联网应用的性能与使用寿命,论文从感知数据的冗余问题和复杂噪声干扰问题出发,对智能数据收集方法展开研究。针对物联网数据长时收集场景中单传感节点感知数据存在的时间冗余问题和噪声干扰问题,论文构建了一种新型降噪自编码器（Denoising autoencoder based random noise introducing method,DAE-RNI）模型,提出了一种物联网时间序列收集方法（Temporal data collection algorithm based on DAE-RNI,TDCA）。通过改进的噪声引入机制在训练过程中遍历并学习噪声分布,提升模型在复杂噪声干扰下的鲁棒性。然后基于模型对称的网络结构将其部署于发送端和接收端,在资源受限的发送端压缩感知数据,减少收集系统的通信量。基于实验数据的仿真结果表明,DAE-RNI模型在不同噪声干扰下具有低压缩比、高重构准确度的优势,论文提出的TDCA方法能够实现高冗余时间序列的收集,有效降低系统通信量、减少通信与存储开销,同时提高数据重构的准确性。针对物联网数据实时收集场景中不同传感节点感知数据受复杂噪声干扰问题和存在的空间冗余问题,论文调整了所提DAE-RNI模型的网络结构与训练算法,提出了一种多传感节点感知数据实时收集方法（Spatial data collection algorithm based on DAE-RNI,SDCA）。根据多传感节点感知数据实时收集系统的资源分布情况,传感节点、边缘数据汇聚设备和数据融合中心分别对应模型的输入神经元、隐层神经元和输出神经元,执行数据感知、数据压缩和数据重构操作,协作完成多节点感知数据的实时收集。仿真结果表明,在不同噪声干扰下,论文提出的SDCA方法能够以较少的通信量收集到更准确的多节点感知数据,且使用DAE-RNI模型作为数据压缩与重构架构时,具有较快的重构速度,增加了所提方法收集实时感知数据的可行性。在区域性物联网数据长时收集场景中,尽管前述TDCA方法能够解决单传感节点连续时间内感知数据的时间冗余,但不同节点的压缩数据之间仍存在空间冗余问题。鉴于该场景下数据存在的时空冗余问题和复杂噪声干扰问题,论文基于DAE-RNI模型和传统自编码器模型构建了一种新型时空栈式降噪自编码器（Temporal-spatial stacked denoising autoencoder,TS-SDAE）模型,提出了一种物联网感知数据长时收集方法（Temporal-spatial data collection algorithm based on TS-SDAE,TSDCA）。结合栈式自编码器结构特性,级联的两个子自编码器分别负责具有时间冗余的传感节点感知数据的压缩,和具有空间冗余的不同节点隐层表征的压缩。基于传感节点、边缘数据汇聚设备和数据融合中心在物联网感知数据长时收集系统的位置及作用,将TS-SDAE模型拆分为时间维数据压缩模块、空间维数据压缩模块与重构模块,对应部署于三类设备,实现分层数据压缩,合理利用分布不均匀的系统资源。仿真结果表明,所提方法在不同噪声干扰下可以实现低压缩比与高重构准确度的平衡,解决物联网感知数据的时空冗余问题,节约收集系统的通信与存储资源、延长系统使用寿命。论文提出三种基于降噪自编码器的物联网数据收集方法,实现感知数据的高效收集,降低了收集系统的通信、存储与计算开销,在环境监测、空间探索等领域具有较好的应用前景。