随着大数据时代的到来,以及多种多样的智能设备、互联网技术的普及,我们每天产生的各类数据总量一直在呈现出爆发式的增长。因此,针对海量数据的信息采集、通信与分析等技术也面临着新的机遇与挑战。如何通过对这些数据进行有效的获取、汇集、通信以及分析和挖掘,使它们的价值最大化已经成为影响未来科技与经济发展方向的重要因素。在本文中,我们从大数据处理过程中数据通信、数据采集和数据分析三个环节出发,重点研究了无线网络中的资源管理、移动数据流量卸载、基于分布式优化算法的资源分配和基于大数据挖掘的空气质量预测等问题。具体地,我们将本文的主要研究内容与贡献点总结如下:1).针对大数据通信的问题,我们研究了无线通信网络中的移动数据流量卸载问题,并提出了一种基于分解-协调的分布式优化框架。在此框架下,我们将蜂窝网络从移动数据流量卸载中获取的收益最大化问题建模为一个非光滑的凸优化问题,并将该收益最大化问题进一步分解为一组子问题,其中每一个子问题均由一个蜂窝网络运营商或者无线网络接入点利用其本地信息求解。所有的子问题将由一个虚拟数据流量卸载协调器进行协调,即每一个蜂窝网络运营商或者无线网络接入点会将其每一次迭代的中间计算结果汇报给虚拟数据流量卸载协调器,然后虚拟数据流量卸载协调器会对这些结果进行汇总协调并反馈。进一步地,我们在上述分解-协调框架下,针对不同应用场景提出了两种分布式优化算法,并证明了它们的全局收敛性。相关数值仿真实验及结果分析证明,所提框架与算法能够大幅度提高蜂窝网络运营商的收益及用户的服务质量。2).针对大数据采集的问题,我们研究了无线传感器网络中的低能耗混合数据流量卸载问题。我们考虑了一种在城市环境中与多个小蜂窝基站、Wi-Fi系统并存的无线传感器网络,并为之提出了一种混合数据流量卸载框架。在这种框架中,每一个传感器节点不仅可以将其采集到的数据直接发送至无线传感器网络的融合中心中,也可以利用周围的可供选择的其他无线传输技术。具体地,线传感器网络中的每一个节点可以通过三种可能的方式卸载其数据:将数据卸载至邻近的Wi-Fi接入点中;通过从蜂窝运营商处租赁专用的授权频段进行数据传输和将数据卸载至邻近的小蜂窝基站。我们提出了一种基于异步协调更新的分布式混合数据流量卸载算法,使得每个传感器节点可以最优化地决定使用每一种卸载方式传输的数据量。我们证明了所提出的算法能够以线性速率收敛至全局最优解。相应地数值仿真实验结果表明,在共存的Wi-Fi设备数量较小(小于5)的时候,与其它的卸载方式相比,所提出的混合数据流量卸载框架能够为无线传感器网络节省约为75%的能耗。3).针对大数据分析的问题,我们研究了基于异构大数据源的高分辨、高精度空气质量预测问题。我们首先将地表空气质量观测站以及配备有传感器的移动平台对空气污染物的分布信息的观测过程建模为一个动态时空模型,并通过随机偏微分方程方法将其进一步描述为一个高斯-马尔科夫随机域。由于高斯-马尔科夫随机域是通过一些稀疏矩阵进行定义的,因此当对其进行基于贝叶斯方法的高分辨率预测时,我们采用了一种计算复杂度较低的集成嵌套拉普拉斯逼近法。为了进一步提高预测的精度,我们在分析了不同空气污染物分布数据特征信息的基础上,将高精度的分布信息的重构问题描述为一个全变差最小化问题,并分别提出了两种不同的算法对其进行了求解。我们将所提出的算法分别应用在意大利皮埃蒙特区域的数据集上对其空气污染物的分布信息进行了预测,验证了所提算法的有效性。