压缩感知是一种新兴的信号处理理论,压缩感知可实现对信号压缩、采样同步进行,而1-Bit压缩感知对观测值进行了极限量化,有效降低了通信设备的复杂度、提高了信号处理系统的工作效率,同时也提高了在重构端对重构算法的要求。该文针对1-Bit压缩感知模型下的重构算法进行研究,具体研究内容如下:首先,为了提升pinball迭代硬阈值算法的重构性能和鲁棒性,在该算法的基础上引入Heavy-ball方法提出了一种基于Heavy-ball的pinball迭代硬阈值算法。继而在上述算法中引入自适应异常值追踪的方法提出自适应异常值追踪Heavy-ball pinball迭代硬阈值算法,该算法在观测值中出现符号翻转时能准确地重构出原始信号。其次,为了加速广义稀疏贝叶斯学习算法收敛,在该算法迭代过程中加入阻尼运算的步骤,提升了广义稀疏贝叶斯学习算法的收敛速度;为了进一步提升广义稀疏贝叶斯学习算法在1-Bit压缩感知框架下对块稀疏信号的重构效果,将该算法与模式耦合方法融合,提出广义模式耦合稀疏贝叶斯学习算法,该算法对块稀疏信号有较好的重构效果。最后,针对在1-Bit压缩感知框架标准广义线性模型下的近似消息传递算法量化阈值固定为零的问题,提出自适应阈值标准广义近似消息传递算法。该算法将原有的零阈值替换为自适应阈值提高了重构性能。接着在继承该算法优点的基础上引入最近邻稀疏模式学习方法来学习原始信号中的稀疏结构,提出自适应阈值标准广义最近邻稀疏模式学习近似消息传递算法,该算法能够对块稀疏信号实现精确重构。