机器类通信（Machine Type Communication,MTC）应用领域的迅速扩展使MTC成为下一代移动通信的一大研究热点。基于压缩感知随机接入技术能较好地解决MTC中原有随机接入技术导致的碰撞概率较高、信令开销过大等问题,但作为其技术核心的信号恢复算法准确度较低。本文针对此问题进行研究,主要工作包括:1.在信号恢复求解过程中,现有nGOMP算法直接将各子问题的解进行简单合并得到原始问题的解,忽略了各子问题的解之间存在相同支撑集的联系,导致信号恢复准确度较低。针对上述问题,提出通过定义支撑集距离函数,使得各子问题解的支撑集间差异可量化。并在此基础上建立支撑集最短距离优化模型,求出与所有子问题差异之和最小的最优支撑集,从而利用子问题间支撑集相同的联系提高信号恢复准确度。并通过求解最优支撑集将原问题转化为最小二乘问题,利用最小二乘法对各子问题的解中非零元素的值进行估计。仿真结果表明,提出的GOMP-LS算法与nGOMP相比,误码率从4.6×10^-5下降到1.0×10^-5。2.GOMP-LS算法需要对所有子问题单独求解后再求解全局最优支撑集,导致算法复杂度较高、处理时延较长,不适用于时延敏感应用。针对低时延应用,提出在求解过程中,根据不同子问题的解支撑集相同的特点,利用已求解的子问题的解所带来的信息,改变求解过程中各节点的权重值,从而减小支撑集中错误概率。此外,原有算法每次迭代均需对仅增加部分元素的矩阵重新求逆,为了避免多次大型矩阵求逆运算导致的复杂度过高的问题,引入逆Cholesky矩阵分解,利用上一次迭代中求取的矩阵分解因子直接计算更新后矩阵的逆。仿真结果表明该算法与nGOMP相比,误码率从4.6×10^5-下降到2.8×10^-5,而计算复杂度仅为nGOMP算法的1/6。3.在GOMP-LS算法中对各子问题独立地进行求解,为了进一步提高信号恢复准确度,提出在对各子问题进行求解时,通过提高已求解子问题解的支撑集中元素对应节点的权重,降低子问题的解中错误概率,再通过最短距离优化模型和最小二乘法进一步纠正子问题的解中的错误。仿真结果表明该算法与GOMP-LS相比,误码率从1.0×10^-5下降到7.4×10^-6。