在以传统采样理论为基础的信号处理模型中，如果需要无失真地从抽样所获取的离散信号中重建原始模拟信号，则信号的采样频率必须为原始信号最高频率的两倍以上。然而，随着人们对信息量需求的与日俱增和信号带宽的不断增加，造成以此为基础的信号处理框架在信号采样、传输、存储等方面面临着巨大的压力。近年来提出的压缩感知（Compressed Sensing,CS）理论为缓解这些压力提供了一种有效的解决办法。CS理论实现了信号的采样和压缩的并行处理，并且以更加低的采样速率完成稀疏信号或近似压缩信号的采样，逐渐成为信息的获取、压缩、处理、以及传输等过程的重要工具。其中，信号重构算法的设计是压缩感知理论能否成功的关键一步。目前，贪婪匹配类算法由于其算法结构简单性，计算量小等优点受到研究人员持续关注。因此，本文主要是对信号重建算法中的贪婪匹配追踪算法以及其对应的变体贪婪算法进行研究和改进。　　（1）为了解决压缩采样匹配追踪（CoSaMP）算法严重依赖信号稀疏信息、预选原子重复率高、迭代次数过多等不足，影响算法重构性能和实际应用能力等问题。本文提出基于模糊阈值策略、多阶段和变步长方法的改进压缩采样匹配追踪算法。该算法通过多阶段和变步长方法对估计稀疏度进行不断调整以逼近信号的真实稀疏度，并将其用于预选原子集的扩充和支撑原子集的剪切。此外，该算法利用模糊阈值策略对预选原子集的二次筛选来保证相关度更高的原子加入候选原子集。　　（2）为了解决随机梯度匹配追踪算法原子选择方式不灵活、对信号稀疏度依赖度大以及预选原子集中存在无法与原信号充分匹配的原子影响算法的重构能力和计算复杂度等问题。本文提出一种新的随机梯度匹配追踪算法——弱选择随机梯度匹配追踪算法。该算法在预选阶段通过弱选择策略将错误原子和与信号匹配度小的原子剔除，保留与信号更匹配的原子。这些与信号更匹配的原子加入候选原子集后，不仅原子选择更加灵活，而且在提高算法重构精度和支撑集估计的准确性同时削弱了稀疏度信息在算法中的影响。　　（3）为了解决StoGradMP算法需要已知信号稀疏度从而导致算法实际应用能力差的问题。本文提出基于稀疏度评估策略的随机梯度匹配追踪算法。在重构算法运行之前，该算法利用稀疏度评估策略对信号的真实稀疏度进行初始评估，从而获得信号稀疏度的初始估计，该策略有利于降低重构算法的稀疏度调整时间。利用稀疏度调整策略和可靠性保证策略来逐步逼近信号的真实稀疏度并完成信号的重构。