无线传感器网络（Wireless Sensor Network WSN）是由多个低功耗的传感器节点以Ad-hoc方式组织起来的网络，在场境监控领域有着广泛的应用。作为一种新兴的计算环境，无线传感器网络的优势和局限都非常明显：其优势在于廉价和冗余；其局限在于能量有限和拓扑不可控。能量有限导致生命周期变短，而拓扑不可控则导致内生的数据不确定性。传统研究多注重无线传感器网络的能量局限，由是衍生出一系列降低能耗的策略。在传统数据库领域的聚集技术被引入无线传感器网络之后，成为了一项里程碑意义的技术。聚集的引入明确了无线传感器网络数据操作的两个要旨：其一，无线传感器网络关注的是监测空间的某种属性，而非所有节点的示数；其二，能量耗散跟数据的传输量正相关。在此基础上，发展出一系列基于采样的近似聚集技术。然而传统研究忽视了无线传感器网络的第二个局限，由于其部署方式多为播撒，因此事前很难确定具体拓扑。对于监测空间来说，无线传感器网络无异于一个度量工具，若要进行准确的度量，需首先对量具进行校准。拓扑格局的不一致将会导致无线传感器网络对真实空间的代表性不足，本文的研究正是基于此展开的：（1）本文指出节点格局对于无线传感器网络度量真实空间属性的精度存在影响；利用单点外推函数和信息覆盖函数对空间节点格局进行建模；讨论了传统采样中忽视的节点格局造成的误差，将其理论化为采样理论中的非采样误差。（2）本文提出分层采样框架来降低非采样误差，得出分层采样的非采样误差最优化问题，并针对该问题给出了一个近似解；采用Bernoulli采样作为层内采样的具体实施形式，讨论在给定置信度指标下的最优采样比问题。（3）本文提出基于X-连通分支的近似聚集算法和基于W-DBSCAN空间聚类的近似聚集算法，给出了这两个算法的分布式实现，利用课题组开发的模拟平台进行了实验。（4）本文采用声明性语言描述了基于W-DBSCAN空间聚类的近似聚集算法，实现了情境感知功能，并在描述过程中对逻辑语言编程的模式作了初步的探讨。