探索蕴藏着宝贵资源的海洋一直是国家发展的重点,是维持国家可持续发展的重要支撑。水下传感器网络(UWSNs)技术以及设备发展迅速,水下物联网设备在能源勘测、环境指标检测、军事监视和灾害事件监测等方面已经被广泛应用。海量的水下数据传输至到云层处理和分析已成为主流的处理模式,云计算已成为一个主流的计算范式。然而随着海洋终端设备的急剧增长,UWSNs也随之进入了信息量爆炸的大数据时代。当底层传感器采集的数据需要传输至云层时,由于水下环境敏感复杂且数据传输需多种异构设备协助,造成传输功耗大、延迟高以及不能及时响应需求等问题,因此水下传感器节点的数据获取面临着不可小觑的挑战:1)水下声波通信的能耗问题一直是重点研究的难题,并且声波通信会导致多径效应、频率选择性衰落和数据延迟等问题,从而造成无法成功获取水下数据。因此如何能有效地减少水下声波通信是一个非常关键的问题。2)大量物联网设备使得集中式云计算难以满足复杂的水下环境的需求,异构设备数据传输量增加了带宽的压力,造成请求服务/访问的时延增大,使得集中式云计算已经逐步向分布式边缘计算发展,需要更加靠近底层的设备支持。3)传统的水下数据收集大多利用多跳路由或者水下机器人(AUV)协助遍历采集,能耗延迟大,而现存的预测传输方案无法针对不同设备提供差异化的方案支持,造成预测误差大,节点数据重传时造成能量损耗。基于上述问题,本论文引入分布式边缘计算承担部分云计算压力,提出基于边缘预测的水下传感网数据的获取与感知方案,实现将水下数据声波通信传输部分转换成数据预测传输,从而减少声波通信所带来的能耗。本论文的主要研究工作与创新点如下:1、针对底层传感器节点与AUV之间的数据获取,提出了基于自适应指数平滑算法的第一级双向数据感知预测模型,双向预测是由传输双方同时执行预测算法,传输方负责校对,旨在实现在底层节点存储能力低、计算能力弱的情况下,保证算法简易执行的同时,预测结果有较高精确度。2、针对AUV与边缘汇聚节点之间的数据获取,由于边缘设备的计算能力以及存储能力较强,因此构建了基于扩展的卡尔曼滤波的自回归移动平均(ARMA)算法的第二级双向数据感知预测模型,旨在实现AUV节点的利用最大化,提高数据预测的准确度。3、针对边缘层预测水质数据的问题,构造了一种基于LSTM与BP神经网络组合的预测框架,旨在实现基于边缘设备的强计算能力,进一步提高水质数据的准确性,及时响应底层需求,减少云层传输的时延。本文通过美国国家海洋和大气管理局(NOAA)提供的数据集进行验证实验,实验表明所构建的基于云-边-端设备的预测获取数据机制,大幅减少了数据声波通信传输过程所消耗的带宽和时延,同时表明本方案在保证数据传输准确的前提下,有效减少了传感器能耗,并能够及时响应底层需求,明显优于已存在的方案。