近年来,在非合作通信系统及认知无线电(CR)网络中,超宽带通信及信号处理带来的大数据挑战不断凸显,一方面考验着通信系统的处理技术和能力；另一方面,也在不断逼近物理设备可承受的极限,因而推动着绿色通信技术以及高效节能设备等相关研究的快速发展。长期以来,香农-奈奎斯特(Shannon-Nyquist)采样理论一直是指导信号处理的基本原则和方法。特别地,在IMT-A的OFDM信号系统中,为应对传统方法下信号的检测与识别应用中产生的海量数据问题,通过引入压缩感知(CS)理论,利用压缩采样(CS)以及压缩信号处理(CSP)等方法,能够在保证原信号准确恢复的前提下,实现信号的高效处理和存储。本文以此为出发点,针对非协作条件下的无线通信信号检测与识别的需求,结合压缩感知与信号检测相关理论,研究并建立无线通信信号的压缩检测识别理论框架,并形成压缩信号检测识别的方法及验证模型。通过分析常用通信信号在多个维度上的稀疏特征,重点针对循环平稳信号的统计特征稀疏性进行了讨论,并在探究亚奈奎斯特采样方法下的信号处理流程和压缩重构算法,以及仿真实现和验证等方面取得了原创成果。首先,针对非协作条件下通信信号缺乏先验信息的情况,利用压缩感知理论相关技术,借鉴已有的基于谱分析的压缩重构的研究方法,从具有循环平稳性的无线通信信号的时、频特征、循环频域性质、高阶统计量特征等方面出发,挖掘信号的稀疏表征方法。并确定了以循环自相关函数为稀疏目标进行重构的基本思路,从而建立了面向亚奈奎斯特采样值的原始信号信息的恢复和重建。进一步地,考虑到在通信信号检测与识别的相关研究和应用中,为了从压缩采样信息中获取通信信号的统计特征,对于信号信息的完整重建通常包含大量的信息冗余,在很多场景下是不必要的；同时,循环自相关函数直接重建的方法中,极高的处理复杂度会使得循环特征的直接重建无法实现。因此,我们在文中提出了一种新的基于自相关函数重建的信号循环平稳特征间接恢复算法,该方法能够在保持重建性能良好的前提下,使得计算复杂度大大降低,同时能够节省大量的存储空间。在研究中,我们不仅从数学理论上分析了优化算法的性能和优势,也通过算法仿真实现说明并验证了本文提出的方法和结论。