为了更好的了解海洋,充分合理的开发海洋资源,对海洋环境及其要素进行系统的观测尤其重要。众多海洋要素中,海水温度作为认识和研究海洋生物以及地球物理化学过程的一把钥匙,对其的观测和数据重构对研究者们深入了解海洋有着重要作用。基于对海水温度观测的需求,本课题对海洋要素采样方法进行研究,提出一种基于海水温度变异性和梯度特性的采样点优化配置方案,来实现对有限的采样资源的优化分配;在海水温度场数据重构方面,应用压缩感知理论中的K-SVD字典学习算法训练得到针对海水温度场特性的稀疏矩阵,并将稀疏矩阵应用于海水温度场数据重构中,以达到提高海水温度场的重构精度的目的。首先,介绍了海水温度场采样和重构的相关基础知识。采样相关知识具体介绍了海水温度场的变异性分析方法和梯度特性分析方法,并给出数学表达和方法应用过程。重构相关知识具体介绍了压缩感知技术的稀疏表示、测量矩阵选取、信号重构三个方面内容的基本原理。其次,基于海水温度场的变异性和梯度特性分析方法,提出一种基于海水温度场变异性和梯度特性的采样点优化配置方法。该方法首先分析了子采样区的海水温度场变异性,以变异性参数作为海水温度信息丰富程度的衡量标准来计算每个子采样区域的采样率。然后对子采样区域内的海水温度梯度特性进行聚类分析,进一步区分出温度梯度变化显著区和平稳区,并对变化显著区分配更多的采样资源。仿真结果表明,采样资源同等条件下,该采样点优化配置方法能够提高温度场的重构精度。再次,基于K-SVD字典学习算法,训练出针对海水温度场特性的稀疏矩阵。根据海水温度场的采样特点,以采样点位置编码矩阵作为测量矩阵。根据海水温度场的重构方式,基于ASMP稀疏度自适应重构算法进行海水温度场的重构。仿真结果表明,利用K-SVD字典学习算法得到的稀疏矩阵相比于传统的稀疏矩阵,在温度场分布的重构效果上有显著提高。最后,利用海表温度再分析数据对本课题设计的海水温度场采样和重构方法进行实验。实验结果表明,利用本课题提出的采样优化配置方法能够实现采样资源的优化配置和重点区域的采样,本课题提出的重构方法得到了针对海水温度场特性的稀疏矩阵,在海水温度场的重构效果上有较大提升。