无线传感器网络(WSN)是现有网络向物理世界的延伸,同时它也是物联网(IOT)的重要组成部分之一。WSN已广泛用于环境、军事、医疗等多个领域,并与通信网技术和计算机技术构成信息技术的三大支柱。而受限的资源导致WSN在部署规模和寿命等方面遇到很多难题,极大影响了其实际应用。压缩感知(CS)是信号处理的新兴理论,颠覆了传统奈奎斯特准则。且CS可将编码端的复杂运算转移到解码端,符合WSN资源受限的特点。目前,CS技术广泛应用于多个领域,在WSN中主要应用于数据收集、定位及路由等方面。本论文将基于CS理论,探讨其在WSN中的应用,利用CS本身性质,结合WSN自身结构特点以及感知数据之间的相关性,解决WSN在数据收集及分布式存储过程中,由于节点负载不均或者传输数据存在较大冗余导致节点耗能过快的问题,提升了全网能效。首先本文针对目前的混合CS方法与传统分簇方法结合还存在一定冗余,未能实现能量的高效利用的问题,根据蜂窝分簇的结构模型,分析了六边形特殊结构所具有的优势,并将其与CS理论相结合进行数据融合,均衡网络开销的同时减少数据传送次数。然后在六边形分簇模型的基础上,提出一种新的混合CS数据收集方法,利用六边形的结构特点更好地发挥混合CS的优势,在传统混合CS的基础上进一步降低网络能耗。分布式数据存储(DDS)为WSN带来了一种可靠恢复全网数据的方法,且只需访问小部分节点即可实现。针对传统DDS方案只考虑邻节点数据间的空间相关性,而忽略了连续时隙间的时间相关性而使得数据间的冗余未被充分消除的问题,本文提出了一种新的时空相关DDS方案CSSTDS,其同时考虑了感知数据的空间及时间相关性,从两个维度来进行数据的压缩,通过节点发送接收次数的降低提高能效。最后利用克罗内克积处理二维CS问题,精确重构原始信号。