压缩感知是一种通过随机投影将采样和压缩结合起来的新兴技术。通过利用信号的稀疏性,压缩感知可以进行亚奈奎斯特采样和低能耗的数据压缩,从而提高了数据传输的能量效率,这使得该技术在物联网应用中极具吸引力。但是,在压缩感知框架中,通过重构信号来进行解码,重构过程通常是非常耗费能源和时间的,这不适合在资源有限的边缘设备上在线使用。为了绕开复杂的重构过程,压缩学习的概念应运而生。在这个概念中,它将压缩感知信号采集和机器学习结合起来,推理系统直接建立在压缩感知测量值的基础上（压缩域上）而不需要显式地重构信号,这大大降低了学习成本。另外,压缩感知由于其测量矩阵的随机性可以在不增加成本的情况下将数据的隐私保护自动嵌入到采样过程中。但是,标准压缩感知提供的保护依然是脆弱的,因此有必要进一步提高压缩感知框架的安全性。值得注意的是,一味地提高压缩感知框架的安全性会使得测量值不再支持进行后续的推理任务,导致压缩学习框架失效。为此,本文着重开展面向隐私保护的压缩学习研究,旨在实现数据隐私保护和数据效用性之间的平衡。本文完成的主要工作包括:（1）在压缩域上进行基于稀疏表示的分类需要解决一个高复杂度的稀疏表示优化问题,由此提出利用2-范数约束代替稀疏约束以降低计算复杂度,同时引入核技巧提高分类准确度。引入核技巧也相当于引入了一个非线性操作,可以打破压缩感知固有的线性特性,从而使得该系统能够抵抗已知明文攻击,提高了系统的隐私保护能力。通过在多个人脸数据集上进行测试,实验结果证明该方案可以快速实现压缩密文域人脸识别。（2）为了进一步提高压缩感知密码系统的安全性,提出通过噪声扰动实现对压缩数据的二次保护,使其能够抵抗常见的几种攻击,包括唯密文攻击、已知明文攻击和选择明文攻击。同时,该噪声扰动操作并不会影响数据的效用性,即可以保证压缩学习框架的有效性。利用矩阵分解来表达原始信号,从而避免对测量值进行复杂的重构才可以获取原始信号的信息,进而实现了低复杂度的压缩分析方案。并且,在该方案中,授权用户也不会受到噪声扰动的影响,仅通过一次矩阵乘法就能获取到原始信号的近似表达。大量实验结果验证了所提方案的安全性和有效性。（3）为了实现细粒度的访问控制和避免在压缩域上推理产生的误差,提出了一种基于判别成分分析和压缩感知的多级隐私保护方案。在该方案中,用户可分为半授权用户和完全授权用户。半授权用户可以直接在压缩域上快速获取到明文域上的特征向量用于目标任务,并且由于判别成分分析,该特征向量不会轻易转移到恶意程序上,进一步避免了隐私挖掘;而完全授权用户可以在需要的时候重构出原始信号。实验中利用两个用例验证了该多级隐私保护方案的有效性。（4）传统压缩学习框架中无法使用已有的在原始信号上训练的推理模型,需要针对测量值数据学习新的模型,由此提出了基于快速重构的压缩学习方案。在该方案中,仅通过一次线性变化就可以获得快速重构出的信号,它可以直接使用已有的模型进行识别。具体地,针对一维心电图等简单信号,利用离散余弦变换能量聚集的特点可快速重构信号;针对二维图像等不能很好地被离散余弦变换稀疏表示的信号,通过学习的投影矩阵来表达原始信号从而达到快速重构的目的。另外,通过线性反馈移位寄存器实现测量矩阵的更新来提高该方案的隐私保护能力。实验结果表明快速重构的信号可以直接利用已有的模型进行识别。