伴随着低功耗的微型传感器和无线通信技术的发展,无线传感器网络作为高效率、高容错的智能系统已受到国内外广泛的关注和应用。由于网络中传感器节点的实时性高、能量有限且通信带宽小,此外,在数据传输和处理过程中还存在冗余数据。于是,在设计时变稀疏信号的状态估计算法时应考虑这些因素。然而在奈奎斯特采样定理的基础上诞生的压缩感知理论很好的解决了无线传感器网络中的时变稀疏信号估计问题。压缩感知理论利用信号的稀疏特性,突破奈奎斯特采样定理的限制,从次数少、存在噪声的测量值中重构原始信号,节省了大量的计算和存储资源。本文主要研究无线传感器网络中时变稀疏信号的重构算法,内容如下:首先,提出融合压缩感知理论和信息一致滤波的时变稀疏信号重构算法,该算法又称为稀疏约束下的信息一致滤波重构算法。该算法的核心思想在于滤波算法的选取:分布式信息一致滤波算法,该滤波算法只需与邻接节点进行单跳通信,通过一致性策略使得网络中所有节点对移动目标(时变或动态信号)的多源状态信息趋于一致,具有网络通信量小,容错能力强、计算速度快且鲁棒性好等优点。此外,传感器网络中传感器节点对移动目标的多源状态信息的感知范围有限导致朴素节点的存在,该算法仍能以次数少、存在噪声的测量值精确重构信号。通过在信息一致滤波框架的基础上嵌入伪测量技术,使得时变稀疏信号的重构效果更好。实验结果表明,与已有的算法相比,本文所提算法的时变稀疏信号重构效果更好。其次,在已有的时变稀疏信号重构算法的基础上,针对测量噪声未知且缓慢变化的情况,提出基于变分贝叶斯的集中式卡尔曼滤波时变稀疏信号重构算法。该算法的系统模型易受到外界的干扰,造成观测噪声参数变化,令重构性能下降,运用变分贝叶斯估计信号状态和变化的测量噪声,并迭代逼近噪声方差值,进而使用稀疏约束下的集中式卡尔曼滤波对状态进行更新,实现时变稀疏信号的精确重构。仿真结果表明,基于变分贝叶斯的集中式卡尔曼稀疏信号重构算法能较好的实现对测量噪声方差的跟踪,相比已知观测噪声的标准集中式卡尔曼滤波算法具有更高的时变稀疏信号估计精度。