压缩感知理论是一个新兴的信号处理方式，该理论打破了奈奎斯特采样定理的限制，采用较低的速率对信号采样与压缩，建立了一个从少量采样点恢复原始信号的框架，有效节约了传输，存储等资源;为解决日益增大的数据处理需求指明了方向。
　　本文主要研究了压缩感知理论中的信号重构算法，对提高信号的重构精度与重构效率问题进行了深入探讨;本文首先对压缩感知的理论框架以及三大主要内容:信号的稀疏表示，测量矩阵的实现以及信号的重构算法进行简要的阐述与分析，同时对四种常用的测量矩阵进行对比实验;其次介绍了经典的信号重构算法，并且重点对匹配追踪类算法进行分析，OMP算法选取原子的准确率高，然而无法剔除其中的错误原子;SP算法通过“回溯”思想能够剔除支撑集中的错误原子，然而由于每次选取多个原子加入候选支撑集，使得准确率较低;本文提出了一种改进的OMP算法，该算法以OMP算法为主体，并通过SP算法对原子进行再次筛选，从而提高了支撑集的精确度，仿真实验证明，本算法的的重构精度有了较大的提高。
　　基于实际应用中信号稀疏度未知的情况，本文设计了一种变步长的稀疏度自适应匹配追踪算法，该算法采用分段步长的方法取代传统SAMP算法中的固定步长，用以提高信号的重构效率，同时对大步长的选取进行了分析;为了保证信号的重构精度，改进算法加入了裁剪机制，对预估支撑集进行裁剪，剔除其中的错误原子，实验显示本算法的重构精度较SAMP略有提高，同时重构时间大幅减少，重构效率大幅度提高，具有更好的性能。
　　本文最后介绍了一种“委员会机制”融合模型，该融合模型可以对两种算法进行融合，从而得到比单一重构算法更好的重构效果;为了能对信号稀疏度进行更准确的估计，采用基尼指数对支撑集原子进行筛选。本文对两种稀疏度自适应匹配追踪算法进行融合，验证该融合模型的有效性，选取不同算法支撑集中的共有原子作为正确原子，再通过基尼指数对剩余原子进行再次筛选，进而获得最终的预估支撑集。实验证明融合算法具有更高的重构精度，并且适用于任何优秀的信号重构算法。