地,球重,力场模,型是各领域和学科共同需求的基础性资料。压缩感知理论可以绕过低效的中间环节,由少量测量量通过求解最优化问题式得到重力信号的压缩表示,突破了香农采样定理的瓶颈,实现实际上是欠奈奎斯特采样方法的重力测量数据的重构。2015年杨亚鹏的博士学位论文首次将压缩感知理论应用于重力场建模,本文解决了该论文采样率高、测量方式不科学的问题,基于EGM2008模型进一步研究了重力数据的稀疏表示与重建,并通过设计航线在达到相同精度的同时大幅降低了采样率。主要研究成果如下:首先基于Curvelet变换冗余字典进行了重力数据的稀疏表示,克服小波基只具备水平、垂直、对角线三个方向的选择性的缺陷。选取不同尺度不同方向的曲波系数作为原子,构造不同的字典对重力数据进行稀疏表示和重建,并对这些原子进行比较,用PSNR值,稀疏度和η值作为评估标准确定最优原子个数。最后采用正交匹配算法对重力数据进行稀疏表示,并用得到的稀疏系数重建了重力数据。其次运用l₁范数的谱投影梯度（SPG）算法对重力数据进行了重构。选择了两种较为典型的航线,针对一个2°×2°的海域进行采样测量,基于EGM2008模型模拟实际重力场,用SPG算法对重力数据进行重构。并通过采样率和峰值信噪比分析了两种航线重建的结果。最后采用遗传算法,将海域划分成小块,通过初始化种群,计算适应度,进行交叉和变异并不断循环,最终生成最佳航线。由最终结果可知,通过本文提出的方法,可以达到与杨亚鹏论文相近的重构精度（40dB左右）,但是采样率从大约50%左右大幅度降低到了5%左右。