压缩感知是集采集与压缩为一体的一种新的数据处理理论,主要研究内容包括稀疏处理、压缩测量和重构。重构算法是压缩感知算法中的核心部分,近年来,基于贝叶斯理论的重构算法的研究发展迅速,它利用少量的先验知识,通过贝叶斯理论和参数优化方法得到后验分布并最终重构出原始信号。在传统贝叶斯重构算法的基础上,将信号自身固有的结构特征与贝叶斯重构算法相结合,分别对单传感器获取的信号、多传感器获取的信号进行重构,然后通过最大期望算法对参数进行优化。主要研究内容包括:首先,介绍了压缩感知的基础知识、发展动态及几种较为常用的重构算法,然后较深入的研究了贝叶斯重构算法的主要内容和贝叶斯重构中主要的参数估计模型及适用范围。其次,在对信号的结构特性进行分析的基础上,重点研究了信号的块结构特性,特别关注了块稀疏特性在重构算法中的重要作用;对单传感器获取的具有块结构的信号通过贝叶斯方法进行重构,并采用边缘最大化方法和迭代先验条件对传统块稀疏贝叶斯重构算法进行改进,减少了计算过程中所求参数和迭代次数,降低了计算复杂度,并用改进重构算法重构了管道泄漏信号,对实验结果及主要影响因素进行了分析。最后,研究了多传感联合稀疏模型,将贝叶斯重构算法应用到多传感联合稀疏模型中,对多任务信号进行重构;通过对重构算法的计算过程进行降维处理,减少重构所需要的时间,最后通过实验对比该方法和其他传统重构算法的重构准确度以及重构性能,实验结果说明本文方法效果良好。