铁路通信空中接口监测时需要存储大量空口数据以便重现干扰,这势必带来巨大的存储资源消耗,因此,对空口数据进行压缩有助于降低存储压力。而一些常用的压缩算法应用于铁路空口数据压缩时压缩率不高,设计一种适用于铁路空口数据的压缩算法是极其必要的。本文首先验证分析了哈夫曼编码和LZMA等常见压缩算法、LEC算法在铁路空口数据压缩中的应用性能,讨论了数据精度对各算法压缩率的影响;在此基础上,设计实现了波形字典压缩算法,仿真分析了波形字典压缩算法在铁路空口数据压缩中的适用性。最后,探讨了稀疏表示空口数据压缩算法,并对稀疏重构算法和字典生成算法进行了改进,通过仿真分析对性能进行了验证。论文对不同参数设置下的哈夫曼编码、LZMA等常见压缩算法和LEC算法进行了仿真,结果表明压缩率均不超过15%。论文通过降低数据精度,使得各压缩算法的压缩率都得到了提升,此时压缩率最高的算法为PPmd算法,达到了41%的压缩率。因为LEC算法对数据信息的利用还不完全,所以对LEC的分组编码与输出数据结构进行了修改,使用修改后的LEC与LZMA2算法联合进行压缩,得到了大约48%的压缩率。由于哈夫曼编码、LZMA和LEC算法等无损压缩算法压缩率偏低,因此,本文提出基于模式匹配的有损压缩算法——波形字典算法,该方法将输入数据进行分段后与字典波形进行匹配分析,然后利用与数据段近似匹配的字典波形对应的字典索引代替数据达到压缩目的。仿真分析表明:在匹配阈值为最大幅值的0.06倍时压缩率约为84%。压缩前后的频谱及解调数据对比验证了重构数据与原始数据的一致性。论文仿真分析了阈值对于重构误差的影响。不恰当的阈值可能造成压缩率过低或重构误差过大。其次,字典容量也会影响压缩率,不恰当的字典容量会造成压缩率的下降。虽然波形字典算法能得到较高的压缩率,但是其不具备随机解压能力。因此,本文对稀疏表示进行了研究,并对稀疏表示的两个主要问题——字典设计、模型求解算法进行了探讨:在字典设计方面,针对KSVD算法产生的字典抗噪能力弱提出使用混合字典以提升字典的抗噪抗干扰能力;在模型求解算法方面,为解决OMP算法和SP算法存在的问题,提出对SP算法的改进。仿真结果表明改进算法降低了算法的重构误差,并且提升了抗噪抗干扰能力。因为压缩感知也可以达到随机解压的目的,并且可以采样同时进行压缩,所以论文对压缩感知也进行了研究,仿真对比了KSVD基、FFT基和DCT基在不同采样率下的压缩感知重构误差,得到基于KSVD算法产生的字典重构误差最小。论文对压缩感知和稀疏表示在相同压缩下率的重构误差进行了分析,得到稀疏表示性能优于压缩感知,因此建议铁路空口数据压缩采用稀疏表示方法,该方法可以得到约77%的压缩率,与波形字典压缩率相近,且具备了随机解压能力。