无线通信信号检测与识别技术作为认知通信与频谱感知技术发展的重要内容,一直得到广泛的关注与研究。在现代通信技术的研究中,基于特征提取的信号检测方法得到广泛应用。但受香农/奈奎斯特采样定理的限制,频谱感知系统需要处理海量数据,对物理设备提出了极高要求。通过引入压缩感知理论,对信号进行低速率采样处理,以有效的缓解系统处理数据的压力。本篇论文,基于压缩感知理论,研究了通信信号统计特征的压缩重构方法。首先,通过分析信号统计特征的理论构造模型,提出了部分信号统计特征的结构分解方法,将分解后的稀疏表征作为重构目标,以实现重构过程的优化。该方法中结构分解基的求解依赖于特征的位置信息,并且分解基形式简单,降低了传感矩阵的求解复杂度,减少了传感矩阵消耗的存储空间。同时,设计重构过程以子结构为迭代单位,以显著降低迭代次数。进一步地,作者引入k-model稀疏理论,将目标表征解空间进一步约束,降低了压缩采样匹配追踪重构算法的搜索成本,达到了优化重构过程的目标。另外,通过研究特征值分解特性,提出了单一信号特征的特征值分解与重构方法。该方法不仅保证了分解结果的高稀疏性,还具有较少次迭代时就能重建原特征的大部分信息的优点。基于上述方法,进一步地引入奇异值分解,从而提出了针对多信号同类特征的公共稀疏基提取方法,支持在接收端能够利用一个稀疏基完成多个信号的同类特征重建工作。最后,基于提出的两种方法,给出了基于信号自相关特征和四阶时变矩特征的压缩重构算法及过程。并通过Matlab仿真,验证了算法的可行性,同时从分解结果稀疏性、重构复杂度、重构误差等对算法进行了性能分析