在大规模机器通信（massive machine type communication,m MTC）场景中,基站接收到耦合在一起的信号,如何高效准确的从耦合数据中恢复用户的传输数据成为了难题。由于m MTC中潜在的稀疏特性,压缩感知（Compressed Sensing,CS）技术可以用来联合检测上行免调度NOMA系统中的用户数据和活跃性。目前,基于CS的贪婪类算法因其复杂度低、重构精度高等优势,被广泛应用于m MTC场景中解决多用户检测（MultiUser Detection,MUD）问题。但是基于贪婪类算法实现的MUD算法使用最小二乘法计算估计信号值,需要求解观测矩阵的逆阵,计算复杂度仍然较高。为了解决这一问题,论文利用梯度追踪（Gradient Pursuit,GP）类算法和实际通信场景中用户发送数据的特点设计了两类多用户检测算法。为了降低多用户检测算法的复杂度,论文首先研究了结构化梯度追踪多用户检测算法。在结构匹配追踪算法的基础上,利用一帧时间间隔中活跃用户的结构性和梯度追踪算法设计基于梯度下降的梯度追踪多用户检测（Gradient Descent-Based Gradient Pursuit MUD,GDGP-MUD）算法。为了提高检测精度的同时保持较低复杂度,论文对GDGPMUD算法改进,利用多步拟牛顿法计算估计信号值的更新方向,设计了基于多步拟牛顿法的梯度追踪多用户检测（Multi-Step Quasi-Newton MUD,MSQN-MUD）算法。为了加快收敛速度,GDGP-MUD算法和MSQN-MUD算法均使用新的判决条件,通过判断修正后的残差能量是否减小来终止迭代。实验结果表明GDGP-MUD算法降低了多用户检测算法的复杂度,MSQN-MUD算法提高了检测精度的同时还能保持较低的复杂度。为了进一步降低复杂度,论文研究了相关性梯度追踪多用户检测算法。从减少部分时隙迭代次数的角度出发改进结构化梯度追踪多用户检测算法,利用一帧时间间隔中活跃用户的相关性和梯度追踪算法进一步降低多用户检测算法的复杂度,设计了相关性辅助的梯度追踪多用户检测（Correlation-Assisted Gradient Pursuit Multi-User Detection,CAGP-MUD）算法。为了减少每个时隙的迭代次数,受策略衰弱GP（Stagewise Weak GP,SWGP）算法启发,论文在CAGP-MUD算法的基础上改进,提出相关性辅助的组梯度追踪多用户检测（Correlation-Assisted Group Gradient Pursuit Multi-User Detection,CAGGP-MUD）算法。实验结果表明,CAGP-MUD算法和CAGGP-MUD算法进一步降低了多用户检测算法的复杂度。