压缩感知(compressive sensing or compressive sampling)理论证明如果信号本身具有稀疏性或者在某个变换基上具有稀疏性，则可以用非自适应线性测量(non-adaptive linear measurement)把信号投影到低维的空间中，并且可以用运算量可行的算法实现精确或非常近似地重构原信号。　　无线传感器网络长期工作在无人值守的环境中，节点会产生大量的监测数据，然而其能量受限，频谱受限，计算和存储能力受限等问题对网络寿命形成严重挑战，因此研究减少网络传输能耗，提高网络寿命的方法一直是无线传感器网络研究的重要方向。　　本论文基于压缩感知理论，利用节点之间数据的冗余性，将数据投影到低维度的空间中，实现非自适应的数据压缩，并可以精确重构原始数据。针对大规模无线传感器网络中节点数据泛滥，降低节点能耗及延迟网络寿命的问题，研究压缩感知在大规模无线传感器网络节点采样和处理的理论和应用，主要研究内容和成果如下:　　节点数据采集方面:　　1.针对目前已经证明的压缩感知测量矩阵都是随机矩阵，并且是稠密矩阵，并不能应用于无线传感网中节点数据采集，本论文提出一种超稀疏的测量矩阵;该矩阵相比通常采用的随机类型测量矩阵可以显著降低存储量和运算量，并且与常用的稠密测量矩阵具有可比较的重构效果。　　2.由于无线传感网节点数据为自然数据，经验证其除稀疏性之外，通常具有自相关性。本论文提出利用节点自相关性特征和稀疏性特征联合采样。在传统数据重构条件下，增加自相关约束条件。在节点数据采集过程中，首先学习决定节点数据自相关性阶数，在信号重构阶段本文提出采用梯度投影算法。由实际传感网数据的仿真实验结果表明该节点采样策略比单独利用数据稀疏性相比，在同样的采样数量下具有更小的重构误差，具有更高的采样效率。　　3.实际中，无线传感网节点数据的稀疏性不是固定的，一般会随着周围所监测事件而变化，因此仅采用固定的采样频率会导致数据重构结果在数据稀疏性较差时有较大的误差。本论文提出基于反馈机制的节点采样系统，可根据中心基站的数据重构误差动态反馈给采样节点，从而降低或提高采样速率。　　节点数据处理方面:　　1.分层分布式的无线传感器网络节点数据汇聚协议，该协议把网络中的节点根据到sink节点的最短距离，划分成不同层级。每个节点维护其层级，父节点和邻居节点列表。在数据收集阶段，所有节点从最高层级开始，依次选择是否进行采样，然后以一定概率选择其父节点或邻居节点中的某个节点作为下一跳路由。下一层节点对数据进行累积融合。传输数据帧包括累积结果和传输路径。在数据恢复阶段，根据传输路径构造观测矩阵，并重构所有节点的数据。该算法具有能量均衡，能耗低等优势。　　2.论文提出多节点联合采样模型。根据多节点间数据相关性构建出数据重构模型。仿真结果表明算法在重构效果和采样速率上的优势。