与奈奎斯特采样定理相比，压缩感知理论拥有更低的采样速率，该理论突破了奈奎斯特采样定理的瓶颈，引发了信号处理领域的变革，许多学者开始了对它的研究。压缩感知理论主要涉及三个方面：稀疏表示、观测矩阵设计、重构算法设计。本文的目的是重构算法的研究，从正交匹配跟踪算法的思想出发，在前人研究成果的基础上，本文把遗传算法融入到压缩感知重构框架中，仿真实现基于遗传算法的压缩感知重构方法。目的是从字典中选出一组合适的原子对采样信号进行线性表示，得到稀疏矩阵,从而得到重构图像。本文的主要工作内容如下：　　基于单目标遗传算法的压缩感知重构方法：通过遗传算法找到最佳的几个原子来表示采样信号。具体如下：首先对染色体进行编码完成种群的初始化。然后对染色体进行交叉、变异及选择得到子代染色体，使用适应度函数计算每个染色体的适应度值，适应度值可以衡量染色体的优劣。这个方法引进了精英策略，父代种群中的最优染色体可以直接进入子代种群，保证最优染色体在遗传进化过程中被保留下来，有利于提高算法的重构效果。　　基于多目标遗传算法的压缩感知重构方法：多目标遗传算法使用非支配排序遗传算法Ⅱ。具体如下：首先对染色体进行编码完成种群的初始化，种群规模为N。然后对染色体进行交叉、变异得到新种群，合并父代种群与新种群，对它进行非支配排序和拥挤度的计算。然后选出最优的N个染色体,直到得到满足终止条件的最优染色体，最后对染色体进行解码并得到重构信号。　　我们仿真实现基于单目标和多目标遗传算法的压缩感知重构方法，实验结果显示：与正交匹配跟踪算法相比，本文方法可以更好的去除图像中的加性高斯白噪声，保留图像的细节信息，而且提高了重构图像的峰值信噪比，视觉效果更佳。