无线传感器网络是由大量廉价的传感器节点组成的，而传感器节点以协作地方式来完成特定的任务，如环境监测、目标跟踪和医疗卫生等。传感器节点由电池供电，且通常部署于无人值守区或者环境恶劣的区域，无法通过更换电池补充能量，因此在设计相关协议和算法时必须考虑能量的有效性。由于无线传感器网络中通信能耗远高于数据处理能耗，因此为了减少能耗，必须尽可能地对原始数据进行网内处理，以减少节点间的数据通信量。数据融合是无线传感器节点对收到的数据进行网内处理的一项重要技术，该技术可以极大地减少网络内部的通信量，从而延长网络的寿命。 随着无线传感器网络得到广泛的应用，出现了一些新的应用要求和技术，其中移动传感器网络成为研究的热点问题。由于移动传感器网络中节点的移动性，使得原先静态无线传感器网络中一些技术不再适用，数据融合技术就是其中之一。现有的数据融合算法大多是基于固定、全局结构的，在移动网络中由于节点的移动性，使得这些算法建立和维护结构的开销较大，不适用于移动传感器网络。因此本文主要研究大规模移动传感器网络中的数据融合问题。 首先，本文研究了大规模移动传感器网络中非结构化的数据融合问题。已有的非结构化的DAARW(Data-Aware Anycast and Random Waiting)数据融合算法存在一些不足之处：没有考虑能量的有效性；可能导致CTS(Clear To Send)消息冲突。因此我们对该算法进行改进提出了能量有效的EEDAARW(Energy-Efficient Data-Aware Anycast and Random Waiting)算法。该算法分别使用以数据为中心的任意播(Data-Aware Anycast，DAA)机制和随机等待(Random Waiting，RW)机制实现空间和时间上的融合，数据包只有在相同的时间传到相同的节点才能融合。DAA机制使用Anycast方法把数据发送到有同样数据的节点进行数据融合，以此来提高空间汇聚；RW机制的作用是提高时间汇聚，有采用数据的节点根据自己到sink节点的距离产生一个延迟，离sink节点越近延迟越大，该机制能够避免有采用数据的节点在发送完自己的采样数据后，而作为中继节点再次发送收到的数据，从而减少能耗。实验仿真表明EEDAARW算法使得网络生命周期比DAARW算法延长了大约30％。 其次，本文研究了大规模移动传感网络中基于事件驱动的数据融合问题。我们提出了基于局部动态结构的数据融合算法LDSDA(Local and Dynamic Structure-based Data Aggregation)。该算法建立的结构有三个部分：一是事件发生区域距离比率最小的节点到sink的直线路径LS(Line Structure)；二是事件发生区域(Event Area，EA)中的簇结构；三是连接各个簇头节点的树CHT(Cluster Head Tree)，把EA中的簇头的数据收集到处于LS上的树根节点。建立的结构在完成数据收集后不再需要，故避免了维护的开销。算法能够获得尽早融合，并把融合后的唯一数据以近似直线的路径发送到sink节点。该算法的网络延迟很小，且能有效的减少节点能耗，延长网络的生命周期。实验表明LDSDA算法比DAARW算法的网络能耗平均减少了8％，网络延迟平均减少了49％。 最后我们设计实现了一个网络模拟器，该模拟器是基于TinyOS平台的。模拟器使用分层的模块化方式实现，模块之间使用接口通信，可以方便的更换和更换其中的模块，可扩展性良好。该模拟器由前台和后台组成：前台实现网络的配置和运行显示过程，使用java语言编写；后台根据网络配置进行模拟运行，产生实验数据并提交给前台，使用TinyOS平台下的nesC语言和C语言编写，网络中的各层模块，如应用层模块、路由层模块和MAC层模块等由nesC编写，系统支撑文件由C语言编写。 本论文的主要贡献和创新点如下： ·针对大规模移动传感网络，提出了非结构化的数据融合算法，算法避免了建立和维护结构的开销。同时，算法考虑了能量的有效性，能够有效的节约网络能耗，延长网络生命周期。 ·提出了大规模移动传感网络中的基于局部动态结构的数据融合算法，该算法只在网络的局部区域动态建立结构，无需维护结构，能够实现数据的尽早融合，减少网络中的消息量，从而减少通信能耗，同时网络的延迟很小。 ·设计实现了基于TinyOS的网络模拟器，能够对大规模移动网络进行相关实验的模拟，为我们的研究提供实验数据，为研究工作提供有力的支持。