随着科学技术的快速发展,人们对信息的需求量越来越大,这对信号的采样、传输和存储都造成了巨大的压力。压缩感知理论能够提取承载在信号中的有用信息,为缓解这种压力提供了有效的方法。压缩感知理论也逐步进入到实用领域中,目前已有一些相关的技术应用面世,其发展前景非常可观。本文首先总结了压缩感知理论框架及其主要应用领域,结合分布式信源编码理论引出了分布式压缩感知理论,着重分析了信号稀疏表示、测量矩阵设计和重构算法三个方面的内容。然后,我们对l0最优化算法、l1最优化算法和匹配跟踪算法三种信号重构算法分别做了详细地分析,并归纳出各自的优点和缺点。针对分布式压缩感知中的信号重构问题,本文利用分布式信源编码理论中的边信息的概念和第联合稀疏模型,充分地发掘了信号间和信号内的相关性,结合正交匹配跟踪算法,提出了基于边信息的正交匹配跟踪算法,并设计出了具体的算法步骤。该算法把其中一路信号作为边信息,通过完全地压缩感知进行编码和译码；相应地,别路信号利用与该边信息的相关性,在测量值数目较少的情况下就能以较高的概率充分译码,而且译码速度也得到提升。最后,本文在不同的信号长度和稀疏度等条件下,给出了性能仿真对比结果,验证了算法的稳定性和优越性。