分布式信息处理技术是无线传感网络不可或缺的部分，然而，高密度大范围部署的传感器所获取的数据是巨量的，如何有效处理数据将面临着传感器节点能耗和计算资源约束的挑战。对此，引入分布式压缩传感理论，并设计联合稀疏重建算法，高概率的恢复各个信号，实现网络数据有效处理。这种充分利用信号内和信号间的相关性来实现分布式压缩的方式，为无线传感器网络中数据的获取、传输、储存提供了创新的解决方案，将分布式信息压缩技术的发展又向前推进了一步，是一个非常有意义的研究课题。本论文针对分布式网络中不同规模信号的压缩采样以及恢复问题，在重构端构建了三种新的恢复算法，并且将传统压缩传感解决的线性逆问题推广到非线性情况，通过构建的控制算法很好的实现了信号的重建。具体研究内容和创新点如下：（1）基于贪婪方法提出了联合支撑集追踪算法。该算法充分利用信号的相关特性，用字典中多个较相关的原子代替单个原子，对支撑集进行全局追踪，从而抑制测量噪声干扰，达到信号的最优逼近。仿真实验表明，该算法较传统算法在重构精度和性能上都有了明显的提高。（2）基于迭代方法提出了启发式同步自适应迭代阈值算法。该算法引入阈值迭代的思想，采用启发式差错控制函数对重构信号集合进行同步的迭代收缩逼近，并选择自适应非线性递减阈值函数，进一步修正重构值。通过与不同算法间的实验对比，该算法在处理大规模信号时优势更为突出，只需少量的测量值和迭代次数就能同步的精确恢复多节点稀疏信号集合，并且具有更强的噪声鲁棒性。（3）提出了启发式线性化控制算法。该算法利用非线性测量系统，在启发式控制框架下，对非线性等式的约束条件进行线性化处理，从而转化为求解凸优化问题，不仅在每次迭代时得到唯一解，同时还保证了算法的收敛性。仿真实验表明，该算法能有效的重构原信号，重构性能不受参数设置的制约，在相同条件下，稀疏系数幅度服从高斯分布的信号，其重构误差较小。