随着信息技术的迅猛发展,智能设备的广泛普及促使着网络成为当今数据处理分析领域中一个重要的来源。图凭借与网络结构天然的关联属性,逐渐成为分析网络数据的重要工具,也使得图信号处理技术受到了越来越多研究者的关注。图信号处理技术将网络数据抽象成图信号,并初步构建了与经典信号处理相似的理论体系。本文主要研究了图信号处理技术中采样与重建问题,包括采样集合的构成方式、采样信号的重建方法以及资源受限网络中动态采样策略。本文的主要研究内容以及创新点可归纳为:1.研究了采样集合的构成方式,提出了两种采样方法以及相应的重建算法。首先,从节点域角度定义了采样簇结构,提出了基于节点度信息的等级划分方法,并在此基础上给出了采样集合的构成方式。在采样信号的重建过程中,定义了簇内赋值和簇间插值算子,有效地确保了重建收敛速度。证明了所提重建算法能够无失真地重建原始图信号,给出了相应的限制条件,并将所提算法与现有算法进行了对比分析。仿真实验表明,所提算法能够以较低的采样率保持与现有算法相似的重建收敛速度。然后,进一步研究了图傅里叶变换,从图频域角度挖掘图结构的隐含信息,提出了基于图拉普拉斯特征向量矩阵的采样算法,设计了采样控制门限、重建精度和迭代步数控制参数,可满足不同场景下的需求。2.研究了采样信号的重建方法。首先,构建了未采样信号的组成框架,讨论了采样信号重建残差的扩散方式,定义了局部均值和全局偏差扩散算子,并在此基础上提出了基于图扩散算子的重建算法。分析了所提算法应满足的限制条件,并给出了相应的证明过程。仿真实验表明,相对于现有重建算法,所提算法的重建收敛速度得到了显著提升。然后,将已知信号集合、局部均值扩散部分、全局偏差扩散部分以及初步获取的结果进行综合分析,提出了基于加权因子的重建方法。仿真实验表明,所提算法的重建收敛速度得以更进一步提升。最后,以北京交通拥堵指数为例,探讨了图模型的构建方式以及图信号的映射方法,并在此基础上提出了一个针对非严格带限图信号的重建算法。仿真实验表明,所提重建算法拥有比现有算法更高的重建精度。3.提出了资源受限网络中的动态采样策略。首先,借鉴压缩感知理论中观测矩阵的评价机制,定义了采样算子与图拉普拉斯特征向量矩阵之间的图互相关系数,并给出了其与重建误差之间的关系。然后,利用本文所提重建算法的结论,分析了采样集合中节点数目的最小值,并给出了其证明过程。最后,进一步规划了基于节点剩余能量方差的优化问题,并提出了一个基于能耗均衡的采样节点调度方法,动态选取采样节点构成采样集合。仿真实验表明,所提调度方法能够有效地实现采样节点的动态轮替,从而确保资源受限网络中节点能量消耗的均衡。