作为物联网的重要组成部分,应用于多个领域的无线传感网所产生的数据量与日俱增,对这类感知数据压缩的研究一直是物联网应用中最关键的技术之一。由于受到感知节点存储空间、电源能耗、计算能力等限制,如何在低能耗条件下满足应用需求来实现数据压缩成为亟待解决的难题之一。结合感知节点和基站特点,本文针对压缩感知理论处理时空相关性较强的一类感知数据的过程进行改进,实验结果表明本文的改进能够获得较好的压缩效果。论文的主要工作内容如下:首先,针对无线传感网中,监测数据特征差异、节点能耗受限、现有数据压缩方法效率较低等问题,提出一种基于字典学习和压缩感知的数据压缩模型。模型通过基站实现稀疏变换,提出改进K-奇异值分解（K-SVD）字典学习算法的初始字典,利用字典学习算法的自适应特性训练稀疏变换基,满足监测数据特征差异较大的特点,降低压缩复杂度和节点能耗。与本课题组的改进灰色模型数据压缩算法以及常用的基于离散余弦变换基的压缩感知算法作对比实验,结果表明,本文模型在数据压缩率和恢复精度等方面都有明显提升。其次,针对压缩感知的压缩过程中,随机性测量矩阵带来的计算复杂度较高、存储不便、硬件实施困难等问题,本文设计了一种基于规则的低密度奇偶校验矩阵的稀疏测量矩阵,用于感知节点的数据压缩。低密度奇偶校验矩阵非零元素个数较少,易于压缩保存;规则的低密度奇偶校验矩阵满足统计有限等距性质,确保数据恢复精度;这样测量矩阵与感知数据相乘进行压缩时,大幅减少了计算量。理论分析和对比实验结果都表明,该方法在减少数据传输量、提高压缩率的同时,能够节约能耗,延长网络生命周期。本文在Intel Berkeley实验室提供的公开数据集上进行所有对比算法的重现,实验结果表明,本文设计的基于字典学习和压缩感知的无线传感网数据压缩模型及规则的低密度奇偶校验测量矩阵,可以在提高数据压缩率和数据恢复精度方面有所提升,满足时空相关性较强的一类实际应用需求。