信号采样是联系模拟信源和数字信息的桥梁.人们对信息的巨量需求造成了信号采样,传输和存储的巨大压力.如何缓解这种压力又能有效地提取承载在信号中的有用信息是信息处理中亟待解决的问题之一.近年来国际上出现的压缩感知理论(Compressed Sensing,CS)为缓解这些压力提供了有效地解决方法.压缩传感理论在信号获取的同时,就对数据进行适当的压缩,而传统的信号获取与处理过程包括采样,压缩,传输和解压缩四个部分.其采样过程必须遵循Nyquist采样定律.这种方式采样数据量大,先采样后压缩,浪费了大量的传感元,时间和存储空间.相较之下,压缩传感理论针对可稀疏表示的信号,能够将数据采集和数据压缩合二为一,这使其在信号处理领域有着突出的优点和广阔的应用前景.压缩传感理论起步较晚,我们还需要继续深入研究许多问题和方向.其中最主要的一个研究方向是压缩传感的信号重构算法,重构算法是压缩传感理论的核心部分,对于压缩信号的重构以及采样过程的精确性验证均有着非常重要的意义.本文主要综述了CS理论框架及其关键技术问题,着重介绍了传感矩阵理论知识和几种FOCUSS重构算法,并把它们的重构结果与其它几种算法进行比较.继而,评术了CS理论的公开问题,对研究中存在的难点问题进行了探讨,最后介绍了CS理论的应用领域.