在传统的压缩感知理论中，观测值是定义在实数域上的，必须先经过量化(quantized)为有限个比特位数才能被系统识别及存储.尤其是在分布式系统中，数据采集常常受到带宽和能量的限制，因此会产生量化失真.在量化压缩感知模型中，经过量化的值就是采集到的观测值.　　单比特压缩感知是量化压缩感知的极限形式，该方法采集的是观测值的符号，仅需要1个比特单元来记录这个值，因此在硬件实施上成本低，运行速度快.与传统的压缩感知方法相比，单比特压缩感知中每个观测值占用的比特数变少了，观测数量也会相应地增大.如果传输和存储过程中的总的比特数一定，在某些情况下，单比特压缩感知可能会优于传统的压缩感知.　　在单比特压缩感知框架下，本文基于自适应异常值追踪算法(Adaptive OutlierPursuit)和log-sum迭代算法，提出了一种对噪声自适应的加权迭代算法.当观测符号向量b发生随机翻转时，该方法通过不断探测翻转位置来精确恢复信号.与已有的AOP方法比较，该方法不需要信号稀疏度K的先验信息，同时可得到比较稀疏的解.　　该工作由中国国家自然科学基金资助(11071132，11171168)和中国高校博士点基金(20100031110002，20120031110026)，中国教育部留学回国人员科研启动基金资助.