本论文通过挖掘二维信号中广泛存在的结构稀疏特征,提升稀疏信号的重构精度。首先提出了一种二维结构耦合稀疏先验模型,并基于该模型设计了一种自动挖掘二维结构稀疏特征的稀疏贝叶斯学习算法,提升稀疏重构性能。另外,针对传统稀疏贝叶斯学习方法计算复杂度高的缺陷,本论文提出了基于广义近似消息传递的低复杂度稀疏重构方法,可以在保证信号重构精度的前提下,将计算复杂度大大降低,极大的提高算法运行效率。首先,针对二维信号结构稀疏特征建立的结构耦合先验模型,不同于传统稀疏贝叶斯学习中信号每个分量的稀疏性都由独立的超参数进行控制。在该模型中,每个分量的稀疏性不仅与自身的超参数有关,同时还通过耦合结构与四周相邻的超参数联系在一起。基于该模型设计的稀疏贝叶斯算法,通过利用期望最大化(EM)算法来对超参数的最大化后验概率(MAP)进行估计。在算法迭代的过程中,超参数需要自适应的学习与更新,相邻的超参数通过连接它们的同一系数相互产生影响。这种连接方式给相邻系数提供了一种松散的耦合结构,但不会强制要求相邻系数稀疏性保持一致,该耦合结构可以有效的促进结构稀疏聚类特征,同时又为自适应学习块状稀疏结构提供了灵活的框架。仿真实验结果表明,相对于其他现有算法,该算法可以有效的挖掘结构稀疏特征,提升信号重构性能。另外,基于传统贝叶斯模型设计的稀疏重构算法由于在计算信号后验分布信息时需要进行矩阵求逆操作,计算复杂度过高。本文引入了广义近似消息传递算法,该方法通过利用泰勒展开及中心极限定理等近似过程,可以有效的降低后验分布信息估计过程的计算代价。在结构耦合稀疏先验模型下,利用广义近似消息传递算法来高效估计隐藏变量后验分布,从而计算Q-函数。再利用EM算法,在迭代过程中通过最大化Q-函数来对分层高斯先验模型的参数进行估计。本文设计的基于广义近似消息传递的低复杂度稀疏重构算法,可以将计算复杂度从O(N3)降为O(MN)(M<<N,M为观测向量维度,Ⅳ为待恢复信号维度)。仿真实验结果表明,本文提出的算法在有效降低算法运算复杂度的同时,相对于其他稀疏重构方法也具有更优越的性能。