物联网中的无线传感器网络技术一直是研究的热点之一,网络中常常存在大量冗余的数据,有时甚至存在异常或遗失的可能性,如何通过仅仅采集部分有效数据就能重构原始数据、如何提高重构精度以及如何降低采样率都是研究的重点。本文首先构建不同规模的具有时空相关性的数据矩阵模型,并基于稀疏采样中的随机非均匀采样机制进行仿真研究。在实验中设置多个不同的参数如:时空相关系数、传感器个数、采样时刻数、采样比率等等。仿真证明能够建立有效的具有时空相关性的矩阵。对于采样后数据的重构问题,通常使用压缩感知等常用的数据恢复算法,还没有针对时空相关性数据矩阵使用矩阵填充来进行近似重构的研究。在满足矩阵重构前提条件下,本文提出了不同规模的时空相关性数据矩阵模型在不同采样比率的稀疏采样后,采用SVT算法近似重构原始矩阵,得到不同的重构精度。仿真还证明了算法的迭代时间会随矩阵规模和采样比率的增加而增加。基于对具有时空相关性数据矩阵稀疏采样和近似重构的深入研究发现,时空相关性与重构可行性存在一定的关系,即其能够改变重构精度和采样比率。基于此本文先针对时空相关性和数据冗余的关系,提出对已构建的数据矩阵采用PCA算法,在时空相关性的条件下,研究保留主成分的数目,证明高时空相关性的数据之间会存在大量冗余。从而使时空相关性对重构可行性——采样比率和重构精度造成影响。仿真证明高时空相关性可以提高重构精度,还可以降低采样比率。