压缩感知理论的提出，是基于信号的稀疏性或可压缩性，利用远小于奈奎斯特采样定律的采样数据精确恢复出待测量的稀疏信号。压缩感知理论自提出之后，引起了学术界和工业界的广泛关注，并被应用到多个领域。最近几年关于压缩感知研究取得了飞速的发展，较多的研究都集中在信号的稀疏性、非相关观测矩阵的构建和信号的重构算法。而关于压缩感知中信号的量化研究较少，若能对所获取的采样信号进行有效的量化，可以进一步提高压缩效率。网格编码量化（TCQ）是常用来实现信号量化的一种方法，它利用卷积编码和信号空间扩展来增加量化信号间的欧式距离，并用维特比算法搜索最佳路径，是一种高效的量化算法。本文主要研究了压缩感知中信号的量化，量化采用的主要算法是网格编码量化（TCQ）。具体内容如下：本文主要内容是网格编码量化和压缩感知理论的结合，在压缩感知采样信号的量化过程中采用的量化方法是网格编码量化。该方法将基于压缩感知理论，在编码端将运用高斯随机观测矩阵获取采样观测值，获取的观测值运用网格编码量化方法量化，量化后的信号传输到解码端，解码端得到信号后使用正交匹配算法进行重构信号。网格编码量化对压缩感知理论获取的稀疏信号在编码端进行量化，在解码端进行反量化。不同图像仿真测试果表明，使用TCQ比未使用TCQ量化PSNR提高了3.75%，时间优化了15.74%。同一图像不同压缩比测试结果表明，使用TCQ比未使用TCQ量化PSNR提高了1.34%，时间优化了14.6%。仿真结果对比表明，使用网格编码量化能够取得了良好的压缩性能，缩短了算法的运行时间。