主要介绍了压缩感知理论（cs)的框架及信号稀疏表示，cs编码解码模型，并举例说明基于压缩感知理论的编解码理论在一维信号和二维图像处理上的应用。

提出了一种新颖的压缩感知（CS）到达方向（DOA）估计方法，其中DOA估计被视为来自多个测量向量（MMV）的联合稀疏恢复。通过最小化基于修正的协方差匹配准则来获得所提出的方法，该准则是通过根据正则化方法添加惩罚来获得的。此最小化问题显示为半定程序（SDP），并转换为约束二次规划问题，以降低计算复杂度，这可以通过增强拉格朗日方法解决。所提出的方法可以显着提高性能，特别是在信噪比（SNR）低，快照数量少且相关源间隔很近的情况下。此外，开发了该方法的Cramer-Rao界（CRB），并根据受限等距特性

压缩感测（CS）可以使用较少的样本来恢复大量原始数据，这些原始数据在适当的基础上具有稀疏的表示形式。 对于能量受限的无线传感器网络（WSN），CS提供了一种有效的数据收集方法。 高斯随机矩阵极有可能满足受限等距特性（RIP）。 通常选择矩阵类别作为WSN中压缩数据收集的测量矩阵。 但是，它们很密集，并且计算复杂度更高。 另一方面，每列中具有固定数量的非零条目的稀疏二进制矩阵满足RIP-1属性。 由于稀疏度较高，本文选择稀疏二进制矩阵作为度量矩阵。 为了适应网络拓扑的动态变化，我们设计了一种基于移

一些开创性研究以类似于一次性填充对称密码的方式研究了将密码特性嵌入压缩采样（CS）中的方法。 本文解决了在密钥重用的情况下构造基于CS的对称密码的问题，即即使多次使用固定的测量矩阵，该密码也能抵抗普通攻击。 为此，我们建议建立一个双层保护的CS（BLP-CS）模型，该模型利用了测量矩阵构造的优点而没有受限的等距特性（RIP）。 具体而言，研究了两种人工基础不匹配技术，以构建与密钥相关的稀疏基础。 证明了BLP-CS的编码过程只是一个随机的线性投影，与基本CS模型相同。 但是，对线性测量值进行解码