压缩感知或压缩采样(Compressed Sensing or Compressive Sampling, CS)理论为信号压缩编码技术带来了新的革命性突破。相比于传统的采样压缩算法,压缩感知在降低数据采集和处理成本、节约存储空间、提高传输效率等方面具有巨大的潜力。本论文选题具有重要的理论意义和广阔的应用前景。本文的主要目标是设计并优化CS算法以提高信号的重构质量与精度,为将CS理论成功推广并应用于实际数据压缩采样系统奠定良好的基础。论文的主要研究工作是将压缩感知理论与信号的结构特性相结合,提出有效的算法,扩展和丰富了CS理论。主要研究成果和创新点包括：1.针对基于小波变换的稀疏表示使得图像的一部分信息在测量采样之前就已丢失的问题,提出了一种基于图像子块相似性的分块压缩感知(block-CS)算法。利用图像子块的相似性,提出分类算法,以类为基本单位对图像子块进行处理,提高了变换系数的稀疏度,减少了信息的丢失。仿真结果表明,所提算法在相同测量数目的条件下有效提高了重构图像的质量。2.为了提高分块压缩感知算法的性能,提出了一种基于图像子块相似性的分类压缩感知(Clustering Compressed Sensing, CCS)算法。该算法同样利用图像子块的相似性,将分类算法引入到CS框架中,选取每一类中最优的公共图像子块作为代表进行传输,而不是传输全部的图像子块,减少了系统所需传送的数据量。此外,为了进一步提高CCS算法的性能,提出基于小波系数特性的不等分类压缩感知(unequal-CCS)算法。仿真结果表明,相比于已有的block-CS算法,所提算法能够显著提高重构图像的质量。3.为了使一般的图像信号也可以用于多测量向量模型,提出了一种基于图像小波系数特点的结构化CS算法。首先利用小波系数的四叉树表示,提出了插零算法,将单测量向量(Single Measurement Vector, SMV)模型的重构问题转换为多测量向量(Multiple Measurement Vectors, MMV)模型的联合稀疏重构问题,使得一般的图像信号可以用于MMV模型,而不仅限于几类特殊信号。此外,为了进一步提高图像的重构精度,利用图像子块的相似性,将分类算法引入到MMV模型转换框架中,增加了联合稀疏矩阵的列数。在相同测量数目的条件下,提出的算法能够显著提高图像的重构精度。4.针对一维信号在MMV模型应用中的局限性,提出了一种基于信号波形相似性的结构化CS算法。利用一维信号的波形相似性,提出分段算法,将一维信号转换为二维的联合稀疏矩阵,使得一维信号可以用于MMV模型,进一步提高信号的恢复质量。仿真结果表明,提出的算法可以实现信号的高质量恢复。此外,相比于基于SMV模型的CS算法,在压缩率(Compression Ratio, CR)波动比较大的条件下,所提出的MMV模型转换算法的性能更稳定。5.对CS理论在信源信道联合(Jiont Source Channel Coding, JSCC)编码中的应用进行了初步探索和研究。提出了基于CS理论的不等差错保护(Unequal Error Protection, UEP)方法。该方法不仅在信源编码端采用CS算法以实现无线通信系统的有效性,同时在信道编码端也采用了CS方法以保证无线通信系统的可靠性。仿真结果表明,提出的方法可实现较高的峰值信噪比(PSNR),并且显着改善系统的容错性能。此外提出的CS-UEP方法具有很好的鲁棒性,特别适用于信道条件波动比较大的系统。最后对全文研究工作进行了总结,并对基于信号结构特性的压缩感知关键技术研究进行了展望。