面对大数据时代带来的海量数据，如何存储，如何处理信息给现有的系统带来了巨大挑战。基于数字处理技术的整个系统的第一步是采样，传统奈奎斯特定理在面对高带宽的信号时会产生大量采样数据，同时，后续压缩技术的使用又使得前面采样产生的海量数据浪费了宝贵资源。近年来，压缩感知，一种全新的采样方法应运而生。它创造性地解决了传统采样面临的采样率过高，以及获得数据冗余度过高的问题。语音信号固有的稀疏性决定了语音和压缩感知技术的结合是一个必然的选择，这将给整个语音信号处理领域带来巨大的变革。本文在此背景下，研究基于压缩感知的语音处理技术迈向实用必须解决的问题之一：压缩采样系统中的语音消噪技术。本文主要的研究工作和创新如下：首先，详细分析了压缩感知的各个关键点，包括对信号的稀疏性要求，观测矩阵的投影过程，非线性信号重构理论。然后针对语音信号，从以上三个方面分析了语音信号压缩感知的可行性和处理效果。并且在此基础上，分析了噪声对压缩感知系统的影响。以上分析和研究都是后面内容研究的基础。接着，讨论含噪语音的预处理方法，来降低噪声对压缩感知系统的影响。针对含噪语音的观测序列处理难度大的问题，提出了一种对原始语音进行小波分解，并对低频系数采用基于K-SVD的稀疏分解方法，对高频采用小波阈值去噪的联合去噪方法。在去噪的同时，保证了处理后的信号的稀疏性，为后续的压缩感知过程提供了良好的信号稀疏性保证。实验仿真显示，提出的方法对于噪声的抑制起到了一定的效果，而且也为压缩感知的使用创造了条件。然后，研究采用特殊观测矩阵下的观测序列消噪处理技术。针对含白噪声的语音在特殊的观测矩阵—行阶梯矩阵下的观测序列，分析了投影后的语音和噪声的不同特点，借鉴传统时频处理技术，提出了一种采用小波阈值去噪的方法，并且，在噪声较小时，改善了噪声标准差的估计方法，改善了提出方案在高信噪比时的效果。实验仿真显示，提出的方法，在压缩采样数据仅为原始序列1/4条件下，取得的消噪效果要好于传统方法。最后，研究快速、鲁棒性的CS重构算法。针对传统的重构算法仅使用稀疏性这一唯一先验信息的问题，尝试将语音在DCT域的聚集特性以及语音帧间的相关性加入重构，改进了经典的CoSaMP算法，改进后的算法在重构时间上减少20%左右，而且，对于噪声的鲁棒性也有一定的提高。