信息的有效采集与科学准确的数据重构是物联网前端传感层(简称WSN)的一项核心技术，同时也是具体物联网建设中，在节点硬件资源有限的条件下，实现大规模数据的有效采集、精简传输和科学准确重构的重大理论与技术难题。近年理论界提出的压缩传感(简称CS)理论突破了传统信号获取技术，通过消除原始信息冗余，采用非自适应测量从根本上降低信号传输量，为大规模无线数据采集提供一种全新的解决方案。把该理论应用于物联网中的传感层建设是一项具有创新意义的课题与挑战。　　 本文在对CS理论深入研究的基础上，将CS理论应用于物联网传感层设计；探讨CS理论在WSN应用中的关键技术和实现难点，重点针对信号重构过程寻求适合WSN特性的新型算法。通过对多种匹配追踪算法以及阈值迭代法实现原理的分析和实验仿真对比，提出了具有稀疏度自适应的高恢复率、快速重构的ITAMP算法，它改进了迭代终止条件及支撑集原子选择方式，并结合阈值迭代的全局优化特性，同时引入阶段步长调整支撑集大小，在算法效率与准确度综合性能的同时，实现了重构过程对信号稀疏度的自适应。在理论上对其进行了准确性和稳定性的严谨论证，同时利用MATLAB对时域稀疏信号及频域稀疏度未知信号进行了重构仿真，对精度、稳定性及效率等性能进行了全面分析，证明该算法完全适用于WSN中稀疏度未知的信息采集重构。　　 最后，结合簇状网络拓扑建立具体的WSN数据采集模型，重点进行该模型下信号重构机制研究。根据WSN信号特性，将ITAMP算法与BCS算法有机结合，提出满足重构精度和算法速度最优的自适应重构机制。以稀疏度预学习阶段得到的样本信号特性为依据，进行原始信号分类，自适应动态选取最合适的重构机制，实现CS重构算法有效性与可靠性的双重优越性。其研究必将推动压缩传感理论在WSN中的应用步伐，对WSN的实际应用和物联网技术的发展具有重大意义。