压缩感知技术(Compressive Sensing,CS)是近年来信号处理领域最为热门的技术之一,它被用于处理自身具有稀疏特性或在某一特定的变换域内具有稀疏特性的信号,使其可以在低于信号的奈奎斯特速率的采样率下被离散化,并且可以通过非线性算法得到完美重构。压缩感知技术很好地解决了超宽带无线通信、超宽带信号处理中由于奈奎斯特采样率限制导致的高成本以及高计算复杂度问题。近些年来,随着压缩感知理论工作的不断完善,压缩感知理论的硬件实现—压缩采样系统,以及有限维稀疏信号的恢复算法都得到了较好的解决。然而,迄今为止,大部分恢复算法的研究主要针对低维度信号的重构,因此在处理高维及无限维流信号时,通常将信号分成有限维的块,然后应用恢复算法分别对其进行恢复。这种方法的缺陷是,容易引入较大的块效应,并且具有较大的输入、输出时延。本文的研究内容主要针对具有稀疏频谱的无限维宽带流信号的处理问题,总结对比了实现压缩感知的主流压缩采样器AIC、MWC系统,并研究了基于AIC系统的自适应压缩感知恢复算法。本文的主要贡献如下:1)针对AIC系统的主要缺陷,即无法处理多带信号,对AIC系统进行了改进。传统的AIC系统默认的多音信号(multitone)模型可以很好地表示多频离散谐波信号,却无法精确地近似落在频谱网格以外的非谐波信号或子带具有不同带宽的多带信号。本文利用香农惠特克插值模型代替多音信号模型,并重新推导了 AIC系统的工作过程,进而得到一种适用范围更为广泛的流信号压缩采样系统。2)在AIC采样框架下,提出了一种针对具有稀疏频谱流信号的重构方法,用有限长的观测窗对信号进行测量,利用相邻窗内信号之间的相关性,建立流信号的状态转移方程,并与压缩采样获得的观测方程一起构成流信号的状态空间模型,进而借助降阶的卡尔曼滤波器得到信号的近似最小均方误差估计。在信号的重构阶段,利用卡尔曼滤波算法的迭代,不断提高信号支撑集的精确程度,从而有效降低了所需的测量数和信噪比。