无线传感器网络作为一种全新的信息获取技术,已经被广泛应用于环境监测、林火探测、基础设施检测、精准农业等相关领域。但由于传感器节点存在能量、存储空间受限等问题,这制约无线传感器网络在长期、大范围目标监测的实际应用。压缩采样在数据采样过程中就实现压缩,是一种解决无线传感器网络能量受限问题的有效手段。因此,本文对压缩采样及数据重建问题进行研究,并提出周期排序分簇压缩采样及数据重构方法、数据缺失压缩采样的非参数贝叶斯插值方法。主要研究工作如下:1)针对目前存在的基于压缩感知的无线传感器网络压缩采样方法通常假设被采集的传感器数据是稀疏的或可压缩的,然而许多场景中真实传感器数据的稀疏性并不理想,本文提出了一种能量高效的周期排序分簇压缩采样方法。该方法在分簇路由的基础上上引入压缩感知技术,从而能够有效的减少网络负载并支持更大的网络。此外,通过对数据进行简单的处理可大大提高稀疏性,并且通过理论分析证明用于预处理的计算能耗很小,可以忽略不计。考虑大多数传感信号具有良好的短时稳定性,采用周期排序的方式对提出的方案进行改进,进一步降低网络能耗。除此之外,对提出的数据收集方法分别从能耗和时延特性进行理论分析,并利用真实传感数据进行仿真分析,实验结果表明本文提出的算法能够在保证数据精度的同时有效减少网络能量消耗。2)针对目前基于稀疏表示的数据插值方法通常假设信号在固定的正交基或超完备字典下是稀疏,而固定结构的字典缺由于乏自适应性,难以最优表示稀疏性动态变化的信号,本文提出一种基于非参数贝叶斯的数据插值方法。该方法在结合稀疏表示理论和非参数贝叶斯学习的基础上,采用非参数贝叶斯方法进行字典学习,从而实现对稀疏性动态变化信号的最优稀疏表示。在信号最优稀疏表示的基础上,考虑数据插值问题可以等效为一个稀疏采样问题,建立观测数据、丢数据与先验知识的非参数贝叶斯模型。通过对模型的学习获得包括最优字典和稀疏系数在内的所有模型参数,并利用学习出的最优字典和稀疏系数进行插值,可以实现丢失数据的准确恢复。采用真实的土壤湿度数据和温度数据进行仿真分析,实验结果表明本文提出的数据插值方法的能够准确恢复丢失数据。本文针对无线传感器网络(WSNs)的能量受限和能量消耗不平衡性问题,从压缩采样方面去解决WSNs能量受限问题。提出通过对网络中数据进行周期排序,提高信号的稀疏性,从而获得高能效的压缩采样方法,降低和平衡网络能耗,提高网络生命周期。利用压缩采样可以降低和平衡网络能耗,但压缩采样必然会产生信息丢失。针对数据缺失压缩采样下的数据丢失问题,利用非参数贝叶斯无需事先假定信号服从具体分布,可以自适应学习信号的稀疏性变化,实现信号的最优稀疏表示。信号重构和与稀疏表示是一个对偶过程,利用非参数贝叶斯数据插值方法可以复原丢失数据,解决能耗与高数据精度的矛盾。