稀疏的高维信号本质上是一个稀疏的高维向量，我们经常使用编码矩阵对这种高维信号进行编码采样，从而将其压缩为低维信号。Cand`es和Tao(2005)提出当编码矩阵具有足够小的约束等距常数（Restricted Isometry Constant）时，原始高维信号可以从压缩后的低维信号中精准还原，这就是压缩感知技术（Compressed Sensing）。而压缩感知技术的核心问题之一就是如何构建具有足够小的约束等距常数的编码矩阵。为解决这一问题，本文将覆盖表(Covering Array)和二次抽样随机Hadamard变换(Subsampled Randomized Hadamard Transform)的方法结合起来创造性地提出了覆盖表变换(Covering Array Transform)。模拟结果表明，相对二次抽样随机Hadamard变换，我们提出的方法可以生成出具有更小约束等距常数的编码矩阵。另外，在压缩感知的实际模拟中，由于计算量往往非常大，因此如何衡量一个编码矩阵的优劣也一直是一个开放性的问题。在本文中，我们尝试使用Johnson-Lindenstrauss变换去衡量我们所获得的编码矩阵并取得了很好的效果。