压缩感知(Compressed Sensing, CS)是一种新颖的信号描述与处理方法。相对于传统的方法,它具备明显的优势：以远低于香农-奈奎斯特的速率采样数据；可同时进行信号采样和数据压缩；利用极少采样值可精确恢复原始信号。该方法目前已广泛应用于无线传感器网络(Wireless Sensor Network, WSN)。本文应用压缩感知深入地研究了无线传感器网络的数据收集,主要研究内容如下：针对传感器节点采集的原始数据种类多、数据压缩性能差所造成的无线传感器网络数据传输代价大和重构信号质量差等问题,本文提出了一种基于网络特性CS的有效数据收集方法。首先,通过分析网络拓扑结构选用了分簇的网络模型；其次,结合分簇网络特点对原始数据的时空相关性分析,使用优化的联合稀疏模型进行数据处理；最后,在分簇的网络模型中,利用压缩感知进行传感器节点数据的采集与传输。本文通过实验验证了该方法,它不仅显著地提高了数据的压缩性能,而且有效地减少了网络的传输能耗。针对随机测量矩阵和信号重构算法是制约压缩感知应用与发展的核心问题,本文提出了一种基于最优测量矩阵的有效数据收集方法。首先,简要地对相干性及QR分解进行了描述；其次,利用矩阵间互不相干性的特征,并引入近似QR分解的优化方法,构造了由稀疏矩阵和测量矩阵所决定的格拉姆矩阵；最后,对格拉姆矩阵进行相干性阈值和缩放的处理。本文实验结果表明,优化后的测量矩阵和稀疏矩阵所得到的格拉姆矩阵具有更好的收敛性和互不相干性,同时优化后的测量矩阵在-定程度上提高了信号重构的精确度。本文从上述两方面进行深入地研究来提高基于压缩感知的数据收集的性能,即：通过建立基于网络特性CS的有效数据收集来提高数据的压缩性能和减少网络的传输能耗；通过设计最优测量矩阵的有效数据收集来获得具有更多信息量的测量值来完善对测量值的优化,并提高了信号重构的精确度。实验结果表明,本文中提出的方法既可有效提高数据的压缩性能和减少网络的传输能耗,又能高效恢复原始信号。