随着物联网设备及理论的逐渐发展和应用,自然环境中的物理信息可以由传感器的读数所量化感知,从而在社会生活各个方面发挥重要作用。目前环境监测的主要方式是部署无线传感器网络,而无线传感器网络由于其固有特性,在数据采集和传输的过程中不可避免地产生数据丢失。此外,传感器的电能有限,为提高传感器使用效率,通过使用部分传感器采样点的读数来估计全局传感器网络的读取数据,可以延长传感器网络的生命周期。因此,在面向实际应用的环境监测中,通过有限样点重建缺失值的插补算法具有非常重要的意义。本文的主要研究工作如下:（1）为了解决现有环境监测领域内数据集缺失值较多,难以用于复杂神经网络训练的问题,本文提出了基于距离度量聚类的数据集子集抽取算法,对原始数据集的数据进行清洗和处理。本算法包括时间窗设定、传感器聚合、传感器剔除和数据帧尺寸选取四个部分。时间窗设定用于同步传感器的工作时间,并得到最多的无缺失相邻工作时刻;传感器聚合将工作时间互斥的传感器读数聚合,使得传感器网络工作时间分布更均匀;传感器剔除对数据集中传感器的质量进行筛选;数据帧尺寸选取则兼顾了生成数据帧的数量和尺寸,使得数据集更好地利于神经网络的训练。（2）为了解决现有算法在高缺失率下难以对缺失值进行有效插补的问题,本文提出一种基于深度生成模型的缺失值插补算法,使用预训练的生成模型生成与采样点误差最小的数据作为插补数据。为了将深度生成模型应用于缺失值插补,本文引入了三种表达矩阵:环境矩阵、感知矩阵和二值索引矩阵,分别代表环境监测网络中原始数据、采集到的缺失数据和相应缺失位置的索引值,从而将缺失值插补问题转化为求解表达矩阵的优化问题。为了使深度生成模型能更好地捕捉传感器网络的时空特性,本文采用生成对抗的训练方式,将时空数据帧的先验信息存储于深度生成模型中,从而获得更好的插补精度,同时受缺失率、缺失模式的影响较小。本文在环境监测领域内公开的大规模数据集SensorScope上对本文提出的数据集子集抽取算法和基于深度生成模型的插补算法分别进行测试。实验表明使用本文算法抽取的数据集子集,相较于原始数据集可以多生成30%以上的时空数据帧,同时训练得到的插补模型性能平均提升可达20%。此外,实验表明本文提出的基于深度生成模型的插补算法相较于现有算法在缺失率较高时具有一定性能优势,在50%以上的缺失率下平均绝对误差小于1,能更好地利用传感器网络间的时空特性进行数据帧缺失值重建。