本书对压缩感知理论的两个核心问题--观测矩阵和重构算法进行了研究, 并根据已有的研究和资料, 对不同的观测矩阵和不同的重构算法进行了对比, 就其性能的优劣和实现的难易程度做了综合分析, 得出梯度追踪算法的重构效果较好, 同时计算量较小, 较为实用。介绍了基追踪算法的特性以及应用场合, 研究了匹配追踪算法和Bregman迭代算法等其他的一系列算法, 并将它们与基追踪算法进行了对照与比较, 做出了适用于压缩感知的基追踪算法的程序。还针对具体的应用场景, 研究了当前该领域的发展现状, 提出了在基于压缩感知理论的基础上进行大量数据的融合研究, 通过多传感器数据融合技术建立了结构模型和功能模型, 并进行了数据的压缩和重构。采用压缩感知理论中联合稀疏模型的方法, 实现了无线传感器网络底层节点处采集数据的压缩, 并提出了基于块稀疏系数模型重构的压缩感知方法。并列题名：Data recognition optimization technology and applications eng