结构健康监测（Structural Health Monitoring，简称SHM）是无线传感器网络极具代表性的应用之一，以桥梁结构健康监测系统为例，这类应用通常需要高密度地布置大量的传感器节点以覆盖整个桥梁，而且为了实时地获取监测信息，传感器节点需要频繁地进行数据收集工作，这将消耗大量的节点能量。这对于能量有限的传感器节点来说难以维持较长的工作时间，特别是当收集的数据是多维的时候，问题将更加严重。本文研究的重点为如何进行能量有效地传感器网络中的数据收集。本文的贡献如下：1.提出了基于小波-分段常值压缩的数据收集算法（W-SDC），该算法减少了数据收集时的信息传输，当网络规模较大的时候可以大大节省通信能量消耗，延长网络生命周期。传统的数据收集方法总通信量能达到数量级O(N~2 )，压缩采样方法为O(MN )，而本文算法将总通信水平降低为O(mN )，其中m《M。本文对W-SDC算法进行了TOSSIM模拟实验，实验分析结果表明，该算法能够有效降低总数据传输量，并且重构误差在可接受范围之内。2.传统的Haar小波压缩技术，通过阈值过滤，将部分不特别重要的小波系数舍弃。而在这部分被舍弃的小波系数中，仍然存在着一些对于小波重构影响很大的小波系数，这些系数应当保留。因此，为了减小小波重构误差，本文提出了基于影响因子的概率小波算法—AEWavelet。根据小波系数在误差树中对叶子节点的影响程度计算得到小波系数的影响因子，算法以影响因子为基准，构造小波系数的随机舍入概率，然后以该概率来对小波系数进行随机取舍。理论分析证明了该算法在小波系数选取上的有效性和正确性。实验结果表明：这种概率小波的随机舍入思想，大大降低了Haar小波的重构误差，提高了小波重构的准确性。