信号重构是信号处理领域研究最广泛的课题之一,为了更快更好的获得有效信号,重构是信号处理过程中必不可少的一步。信号重构的主要目标是从含噪信号中尽可能的恢复信号本身。噪声的主要来源为信号在传输过程中外部环境扰动,以及自身硬件系统。在一些重要的应用场景中,诸如利用生物信号判断身体状态、使用电信号反映仪器设备状态,往往因信号被噪声污染而造成判断效果不佳引起误诊与生产事故。因此,寻找一种能够精准重建信号的算法具有重要意义。全变分模型因其优良的平滑效果与信号结构保存能力,而被广泛研究与应用于信号处理领域。虽然传统全变分模型在分段常数信号平滑处理中有着优秀的重构效果,但由于对信号过度的平滑处理,导致全变分模型在信号突变处重构效果不佳。为了提升全变分模型在信号突变处的重构效果,本文针对全变分模型的正则项与重构信号的特点,提出了一种基于差分矩阵混合叠加优化的全变分模型。它能够在不同噪声环境下,高质量的重构分段常数信号。针对正则项,本文重新设计正则项,通过放大缩小差分矩阵,从而在不改变正则化参数的情况下,调节正则项的权重。使正则项在分段常数信号突变处,获得更合理的比重,进而提升在突变处的重构效果,并通过实验证明算法在不同噪声情况下的普适性。针对重构信号,本文提出将第一次与第三次的重构信号差作为变化量与含噪信号结合,得到新的含噪信号,并将新的含噪信号送入传统全变分模型中处理,并通过实验验证算法处理不同含噪信号的能力。随后,综合两种算法的优点设计基于差分矩阵混合叠加改进的全变分模型,选择最优化-最小化算法作为迭代求解本文模型的算法。结果表明,结合算法在混合噪声情况下具有更好的处理效果。仿真实验同样证明,在实验参数一致的情况下,通过对比不同算法的SNR值、RMSE值、SSE值验证本文算法重构分段常数信号的精度更高。最后,将本文算法应用于表面肌电信号处理。通过对比本文算法重构后的表面肌电信号与原始表面肌电信号的时域、频域特征参数以及波形,分析本文算法的有效性。将本文重构方法处理后的信号用于对不同动作状态下手臂疲劳状态进行预测,分析本文算法对预测准确率的影响,并对特征参数组合预测手臂疲劳的准确率进行了实验对比,得出最适合于预测每种动作疲劳状态的特征参数组合。