随着现代信息技术的高速发展,在信号采集与处理领域中,由于数据量和传输速率的急剧增大,对硬件系统的性能要求逐渐变大,以奈奎斯特采样定理为指导的传统采样方式受到极大限制,越来越难达到实际需求。压缩感知(Compressed Sensing,CS)理论,则将数据采集和压缩集于一身,降低了对采样率的要求,打破了香农采样定理的限制,在理论研究与工程实践中得到广泛关注。论文研究了CS理论及国内外现有的重构算法,重点讨论了重建算法中的贪婪迭代算法,主要工作如下:1.阐述了压缩感知的理论模型。首先对压缩感知理论框架进行了简要描述,然后,对现有的重建算法进行了分类介绍和总结。2.深入研究了贪婪迭代算法中的OMP、CoSaMP、SP及SAMP等经典算法的模型,分别利用峰值信噪比、算法运行时间、相对误差及匹配度等作为性能指标,对各算法进行了分析与比较。根据算法的性能分析,指出了各算法所存在的缺点,并找到了改进思路,提出了相应的改进方法。3.提出了稀疏自适应子空间追踪(SASP)算法。SASP算法初步求得稀疏度值,再利用SP算法完成信号的稀疏重建。该算法既摆脱了对稀疏度的依赖,求得较准确的稀疏度值,同时又运用了具有回溯思想的SP算法,使得重构精度和运算时间都得到了大幅改善。4.提出了一种优化的自适应匹配追踪(MAMP)重构算法。MAMP算法先对稀疏度进行初步估计,快速得到稀疏度的值,然后又优化了迭代停止时的条件,自适应地选取真实支撑集。如此,既提高了算法运行效率,又保证了重建质量,优化了SAMP算法。