无线传感器网络(Wireless Sensor Networks,WSNs)利用各种各样的传感器节点,实时采集和监测网络区域内的各种信息,并将这些信息通过无线网络发送到汇聚节点(sink)。因此,WSNs在环境监测、移动医疗、交通监测等诸多领域都具有非常广阔的应用前景。通常,无线传感器网络能量有限,节点的数据传输将消耗大量的能量,因此如何减少网络中的数据传输量,降低节点能量消耗,延长网络的寿命成为无线传感器网络中研究的一个重点。数据聚合是无线传感器网络数据处理的重要技术,通过对采集或者接收到的数据进行聚合处理,可以有效地去除冗余数据。本文重点研究基于时空相关性的WSNs数据聚合算法,出发点是为了减少网内数据量,节约节点的能量消耗,最后达到延长网络寿命的目的。首先针对节点数据的空间相关性,提出了基于空间自相关模型的数据聚合算法SMDA(Spatial auto-regression Model based Data Aggregation)。在SMDA中,簇头节点收集簇内未休眠节点的信息,接着采用节点调度算法调度节点休眠,并利用Delaunay三角剖分算法和空间自相关模型预测休眠节点的缺失数据,最后对所有数据进行聚合操作并发送给汇聚节点。在此基础之上,基于节点数据之间的时间相关性和空间相关性,提出了一种基于空间自相关模型和灰色模型的数据聚合算法SGDA(Spatial auto-regression model and Grey model based Data Aggregation)。SGDA考虑节点数据的时间和空间相关性,以误差绝对值之和最小为最优准则,建立组合预测模型,进一步减小了预测的误差。仿真实验表明,本文提出的算法能够很好的减少网内冗余数据、均衡节点能耗、延长网络寿命,并保证较高的数据精度。