压缩感知是近年发展起来的一种新的信号获取、分析与处理的理论框架。压缩感知框架包括三个步骤,分别是稀疏,观测以及重建。其中信号的稀疏性是CS理论的一个重要前提,只有信号满足稀疏性或可压缩性,才能实现压缩感知,信号在变换空间的稀疏度直接影响着信号感知的效率。对于千变万化的实际信号来说,可以使用一组训练样例学习得到自适应于信号特征的稀疏变换域。为了满足表示系统与观测系统的不相关性,对学习得到的字典也需要优化设计相应的耦合观测矩阵。本论文在压缩感知框架下,研究了字典学习与耦合观测的设计与实现,在此基础上提出了一种压缩学习感知的理论框架,并研究了其在图像恢复、分割与雷达目标探测中的应用。　　 本论文的主要工作如下:　　 (1)提出一种压缩学习感知框架下的图像重建方法。该算法利用字典学习与耦合观测矩阵的优化,对图像自适应的学习稀疏表示的字典,观测矩阵的优化使得字典与观测矩阵之间的不相关性达到更大,从而保证以较少的观测向量准确的恢复原始图像的信息。对多种类型的图像在不同采样率下进行了压缩观测与恢复,实验结果表明,该算法在相同采样率下,获得的图像具有比固定字典以及随机观测更高的峰值信噪比。　　 (2)提出了一种基于压缩学习感知的雷达目标检测与识别的方法。该方法将压缩学习感知理论引入到雷达信号处理中,设计了低速率的模拟信息转换器实现匹配滤波,克服了传统雷达在处理大带宽数据时需要很高的采样率的缺陷。在雷达多目标探测与识别中显示了其有效性。　　 (3)提出了一种基于压缩学习感知的图像分割方法。在稀疏表示分类器的基础上,从无监督的K均值聚类结果中选择训练样本,利用所得样本特征训练各类别的字典,设计了一种稀疏学习分类器实现了图像分割。对多幅纹理图像与合成孔径雷达图像进行了仿真,实验结果表明,该算法比稀疏表示分类器能获得更高的分割正确率。