由监测区域内大量分布的传感器节点通过分布式自组织形式构成的无线传感器网络已经成为一种新型的信息获取与处理方式,被广泛应用于包括环境监测、智慧城市管理以及文物环境监测与预防性保护等领域。数据收集是各类无线传感器网络应用的基础,是连接物理世界和信息世界的重要途径。高效的数据收集方法可以提高网络的能量效率和数据收集效率,是当前无线传感器网络研究领域的热点问题之一。随着无线传感器网络研究与应用的不断深入,无线传感器网络的数据收集需求也更为多样,不同的网络部署场景对数据收集方法在能量效率、可扩展性和动态适应性等方面提出了要求。本文在分析总结当前已有无线传感器网络数据收集方法的基础之上,针对不同的网络部署(单跳网络与多跳网络)和网络感知状态(“密集”数据采集与“稀疏”数据采集)着重进行了如下三方面的研究工作：首先,本文研究了单跳“密集”数据采集的无线传感器网络中基于表示节点的数据收集方法。无线传感器网络中存在的空间相关性使得具有相似感知状况的传感器节点可以相互表示进行数据采集以减少网络能量消耗。针对当前已有基于表示节点的数据收集方法仍存在能量开销大、表示节点集合过多、集合分布不均匀且内部数据相关性低等问题,本文提出了传感器节点表示能力度量模型以及基于该模型的表示节点分簇算法,解决了分布式网络中传感器节点感知状况相似性度量及相似节点分簇的问题。本文的节点表示能力度量模型能够利用传感器节点局部的感知信息交换评估各个节点在设定区域内代表其他节点进行数据采集的能力。表示节点分簇算法利用节点度量模型对传感器节点的表示能力排名,以较低的能量开销快速且分布式地完成表示节点集合划分。此外,本文设计了分簇内基于随机概率轮询的工作调度和相应的数据恢复策略。仿真实验结果表明本文所提方法在表示节点分簇、能量效率和数据准确度等方面优于已有的方法。其次,本文研究了多跳“密集”数据采集的无线传感器网络中基于时间序列分析的数据收集方法。感知数据的时间相关性使其具有较强的可预测性,为高效的数据收集方法设计提供了可能。针对当前已有基于概率模型的数据收集方法存在复杂度高和数据精度不可控,以及已有单纯基于时间序列分析方法忽视了对网络空间相关性的有效利用等问题,本文提出了基于时间序列分析和空间相关性的数据收集方法,解决了多跳网络场景下的传感器节点相似性度量和相似节点分簇的问题。相比于复杂的概率模型,本文采用计算简便且预测准确度高的自回归模型来近似刻画传感器节点的感知状况。基于传感器节点的自回归模型,本文设计了综合考虑节点感知状况量值和变化趋势的节点相似性度量机制。本文的层级分簇算法依附于已有的数据收集树结构,自顶向下地依据节点相似性度量分布式地完成相似节点的分簇。此外,本文设计了基于自回归模型和相似节点分簇的双向预测的数据收集方法,该方法充分利用了无线传感器网络的时空相关性,提高了网络数据收集效率。大量的仿真实验验证了本文的基于时间序列分析的数据收集方法在能量效率和数据收集精度方法的高效性。第三,本文研究了(单跳或者多跳)“稀疏”数据采集的无线传感器网络中基于压缩感知的稀疏采样数据收集方法。针对因网络部署成本或者能量节省造成的“稀疏”数据采集网络场景,本文提出了基于压缩感知的稀疏采样数据收集方法框架,借助压缩感知理论提高了稀疏采样数据的利用效率,实现了持续完整的高精度感知数据收集。本文利用多元线性回归模型来捕获传感器节点感知状况间的相关性,并因此设计了可稀疏表示全局感知状况的稀疏表示矩阵。通过实时的稀疏采样数据处理,本文构建了基于压缩感知的全局感知状况恢复系统,高精度地恢复全网所有传感器节点的感知状况。此外,本文以城市道路交通状况估计问题为例详细阐述了基于压缩感知的稀疏采样数据收集方法的运用,并通过真实交通数据集进行了大量仿真实验。实验结果表明本文的方法能够有效利用有限的稀疏采样数据,全面且细致地恢复监测区域的感知状况,具有较高的准确性和可扩展性。