获取物理世界的信息是物联网所提供的各种应用和服务的基础。当前对于传感器感知问题的研究大部分是假设理想的部署环境或充足的传感器数量,而事实上物联网的很多应用中,传感器的感知能力、部署成本以及物理环境等因素造成物联网难以全面感知监测区域,传感器的部署和数据采集常常受到限制。针对传感器部署和数据采集受限条件下物联网感知能力提高进行研究,可以扩展物联网的应用范围,并成为近年来物联网领域研究的热点。本文以提高物联网在传感器部署和采集受限条件下优化物联网感知能力为目标,全面而系统地研究了物联网的传感器受限的部署优化和数据采集的一些关键问题。主体内容分为两个部分:传感器优化部署策略和数据采集关键技术。前者主要研究事件感知类监控网络的传感器优化部署和数据空间分析类传感网络的传感器稀疏部署;后者主要研究不完全采集的数据空间重构技术和广域监测区域中移动机器人数据采集技术。本文主要研究内容和贡献如下:第一,研究了面向事件感知传感器(如监控摄像头)不完全覆盖时的部署位置优化问题。针对监测区域环境复杂,监控对象的信息随空间位置变化频繁的场景。部署在监测区域的监控传感器数目是有限的或者是给定的条件下,为了提高事件的感知能力,本文提出权重感知的传感器不完全覆盖策略,将有限的感知设备集中部署在关键的位置。在这类物联网应用场景中,监测区域各个部分的权重计算是关键,本文将整个监测区域网格化,从感知网格的异常事件发生概率、异常事件影响度、异常事件容忍时间三方面融合计算感知网格的权重。为了方便计算与分析,本文提出拉锯映射方法对网格的权重进行计算。综合传感精度和覆盖率,结合感知网格的权重,提出了监测传感网络的感知可信度的模型,从而保证可靠且有效的感知到监测区域异常事件。第二,研究了有利于数据重构的传感器稀疏部署问题。针对广域监测区域中传感器感知范围不能完全覆盖监测区域,即监测区域的面积远远大于传感器感知面积,需要考虑传感器稀疏部署的传感器放置问题。本文充分利用监测区域物理量之间的空间相关性,提出了迭代四分格传感器稀疏部署算法。该方法有利于插值重构过程中重构精度的提高。实验表明当利用反距离插值重构数据空间时,本文所提的迭代四分格稀疏部署方法使得部署更加均匀化,具有较高的重构精度。第三,研究无线传感器网络不完全采集下的鲁棒性数据空间重构策略。针对监测区域中存在部分传感器数据丢失或失真情况下的重构未部署传感器区域的数据空间问题。由于监测的物理量存在空间关联性,本文利用距离非采集点最近的采集点的信息来重构非采集点的信息。传感网络通常部署在条件恶劣的环境中,信息丢失或者失真是不可避免的。本文利用神经网络的鲁棒性,提出学习算子的概念,将反距离插值算法融入BP人工神经网络,并利用反正切函数调和多个预测值,得到具有鲁棒性的数据重构方法。仿真实验表明本文所提算法比反距离插值算法具有较高的重构精度和较强的鲁棒性。第四,研究了能量和时间受限的移动采集问题。移动机器人采集数据时,机器人能量和执行任务的时间会受限。如何在机器人能量和时间受限条件下最大化采集信息量面临着技术挑战,本文提出能量和时间感知的移动采集策略,将能量和时间感知的移动采集转化成为一个多目标优化问题。采用极大极小法将多目标中的各个目标量进行标准化,从而把多目标融合成单目标问题进行优化求解。本文采用主流的粒子群优化算法进行采集路径的在线规划优化,改进粒子群优化算法,提出了融合认知的粒子群优化算法。为了获得较好的解空间,本文进一步研究了粒子的层层竞争机制,使得粒子群优化算法的搜索空间扩大,收敛较快。通过仿真实验,可以看出本文所提算法比现在主流的粒子群优化算法能获得较早的收敛和较宽的优化解空间,使得机器人在能量和时间受限条件下收集信息量大、遇障平均概率较小、行驶总路程较短。