随着无线传感器网络的快速发展,网络的规模越来越大,网络中所产生的数据量也越来越多,如何对这些大规模的数据进行处理是亟需解决的问题。同时,无线传感器网络的节点的能量和处理能力有限也是不容忽视的问题。压缩感知理论一经提出就受到大批学者的关注,它的核心思想是用最少的观测值重构出原始信号。本文针对无线传感器网络中存在的问题,以无线传感器网络中的数据融合为背景,做出了以下研究工作：1.对压缩感知理论进行了分析。比较了压缩感知理论与传统奈奎斯特采样定理的不同。从信号的稀疏变换、观测矩阵的设计以及信号的重构这几个方面对压缩感知理论的主要内容进行介绍,最后对现有的压缩感知的重构算法进行了研究,分析了这几种算法的优缺点。2.改进了一种基于压缩感知的分簇数据融合算法。本章首先对压缩感知理论在无线传感器网络数据融合中的应用进行了分析,在以前的研究中,在利用压缩感知算法对数据进行随机采样时都只考虑了相邻节点之间的时间相关性或者空间相关性,因此本文根据相邻节点之间的时空相关性,将压缩感知与LEACH分簇算法结合起来,首先对网络中的节点进行分簇,分簇完成后在节点自身完成对数据的第一次压缩,然后节点将处理过的数据发送至簇首节点,簇首节点再根据节点间的空间相关性,对数据进行第二次压缩。通过仿真比较分析,本章改进的算法比只进行一次压缩的算法更能减少网络中传输的数据量,平衡网络的负载,降低网络的能量消耗。3.改进了一种基于压缩感知的优化分簇数据融合算法。由于LEACH分簇算法是随机对簇首节点进行选举,不能确定簇首节点的具体位置,就很容易导致簇首节点在网络中的分布不均匀,导致簇首节点过于密集或者过于稀疏。因此本文通过对网络的能耗模型进行分析,提出了一种优化分簇数据融合算法,将网络划分为许多大小相等的小正方形,簇首的数目与小正方形的数目相等,再根据小正方形中节点的剩余能量和距离小正方形的中心距离来选择簇首。在完成节点的分簇后也采用压缩感知算法对数据进行二次压缩。通过仿真分析,改进后的算法能使得网络节点的负载更均衡,网络的寿命更长。