随着数据通信业务量的指数级增长,人们对高速无线技术的带宽和质量要求不断提高,云无线接入网（Cloud Radio Access Network,C-RAN）前传链路的容量受限问题难以忽视,为降低数据存储对带宽的需求,本文将压缩感知（Compressed Sensing,CS）技术应用到C-RAN前传受限链路,并进行射频拉远端和基带处理池功能分配,减少了C-RAN前传链路负载,提升了传输信号的恢复精度。基于此,本文提出了压缩感知与C-RAN结构结合的前传压缩模型,并且进行了压缩感知C-RAN上行链路模型的信号压缩。仿真实验设置了前传链路负载压缩率这一指标进行分析,结果证明压缩感知技术可以有效减轻C-RAN网络前传链路负载,并且负载大小和待压缩采样信号对应的转换系数稀疏率息息相关,稀疏度越小,负载压缩效果越好。针对C-RAN有限前传容量,本文接着进行了C-RAN网络发送端和信号处理端的功能分配,提出压缩感知技术与C-RAN物理层拆分（Physical Layer Splitting,PLS）架构结合的模型。结合PLS前传架构网络在CRAN中的优势,设计了PLS-CS的数学模型和前传容量的带宽表达式。实验结果得出,所提出的PLS-CS架构在前传链路受限的情况下,和常见前传架构相比,有效的降低了C-RAN所需的实际带宽,实现了高效的C-RAN前传链路带宽建设。为保证信号在高压缩率下实现前传链路高效可靠传输,本文提出了一种新型分段正交匹配追踪（New Stepwise Orthogonal Matching Pursuit,NSt OMP）算法。该算法不受每次迭代选取的原子个数S这一外界参数的影响,借助原子双重选择策略,去除首次筛选时误选的部分,保证了大量数据压缩下有限带宽信号的准确传输。所提出NSt OMP算法的仿真对比验证表明,NSt OMP算法在稀疏度K、测量数M的变化下的逼近精度均优于常见压缩感知方法以及传统压缩方法,并且提出的算法恢复效果不受S大小的影响,以较小的S实现信号的还原。传统压缩感知算法在稀疏度K（内在参数）未知的情况下,无法进行信号恢复。为提高压缩感知算法的实际应用效果,本文提出了一种区间定位分段方法的稀疏度自调节子空间匹配追踪（K-Suitable Subspace Pursuit,KSSP）算法。此算法可在不依赖已知的稀疏度K的情况下预测定位稀疏度区间,兼具迭代次数低、信号恢复精度高的优点。经数学推导和相应仿真验证,算法可以在稀疏度K未知的情况下,高效恢复传输信号的同时减少了射频拉远端的计算量,在实际实现中具有更好的应用价值。