无线传感器网络(WSNs)作为物联网的重要组成部分之一,已经被广泛地应用于环境监控、医疗检测和军事部署等相关领域。然而传感器节点存在诸多的资源限制,这给wSNs地大规模部署和长时间运行带来了很大的挑战。作为一种新的采样理论,压缩感知理论不仅在稀疏信号的采样频率方面突破了传统香农定理的限制,而且具备压缩和采样可以同时进行的优点。在WSNs中采用基于压缩感知理论的数据收集,主要是利用感知数据之间存在的空间相关性,使用测量矩阵将感知数据进行稀疏化表示,从而减少了网络中传输的数据包个数,由原来的N个原始数据降低为M(M<<N)个权重和(weighted sum)。在不产生大量计算和传输开销的前提下,压缩感知数据收集能降低全网的通信成本,同时保证数据恢复的精确度,因而能有效地延长了网络的生存周期。现有的基于压缩感知的WSNs数据收集方案,其过程一般是由汇聚节点(Sink)随机生成测量矩阵,然后根据测量矩阵被动地组建网络数据收集路由。由于路由的组建不是根据网络结构进行的,因此对提高网络性能的帮助不大,而且部分节点需要借助多个中继节点才能实现数据的压缩,这不仅增加了节点的能耗,还使得节点能量消耗不均衡。针对上述问题,本文以最大限度地降低和均衡网络能耗为目标,提出了一种基于深度优先生成树的压缩数据收集方案。具体的研究内容及取得的成果如下：(1)介绍了WSNs的特点及在WSNs中进行数据收集存在的问题。WSNs具有体积小、成本低、部署灵活等优点,然而WSNs同时是一种资源受限的网络,这给WSNs的数据收集带来了众多困难。传统的数据融合方案尽管能够降低节点能耗,延长网络的运行时间,但是仍然无法满足人们对WSNs的要求。(2)综述了压缩感知的基本理论框架,总结了现有的基于压缩感知的WSNs数据收集方案存在的问题。压缩感知理论认为：对稀疏信号或可压缩信号而言,只要获取其少量的包含原始信号全部信息的压缩数据,就可以对原始信号进行精确恢复。它突破了传统的香农采样定理对信号采样频率的限制,降低了信号的采样频率,简化了数据的压缩过程。然而现有的基于压缩感知的WSNs数据收集方法,它们只是将该理论简单地应用到WSNs中,如何把该理论更好地应用到WSNs中还面临诸多挑战。(3)提出了基于深度优先生成树(Depth-First Spanning Tree, DFST)的压缩数据收集方案。该方案按照网络部署特点生成路由树,然后根据路由树构建测量矩阵。具体方法是从Sink开始生成M(节点分组数)棵子树,同一组中的节点直接相连。每棵子树为一组,组内节点进行数据的压缩传输。由于每个节点只发送一次数据,因而实现了组内节点的负载均衡。组内的压缩数据最终由对应子树的根节点传送给Sink。在传递数据的过程中,该方案充分考虑了节点参与次数和最短路径等因素,因而减少了中继节点的数量,最大限度地降低了由组间数据传递引入的节点能耗,同时将引入的能耗均匀地分散到中继节点上均衡了节点负载。此外,该方案的数据收集树是根据网络的部署特点生成的,因而具有更好的网络性能。(4)仿真实验验证DFST方案的有效性。本文采用自主设计的仿真实验平台,从网络整体能耗和节点负载均衡两个方面,分别与最小传输数据收集树MTT方案和基于簇的数据收集CCS方案进行比较。仿真结果表明,与MTT方案和CCS方案相比,DFST方案具有更好的节能效果和负载均衡作用。