压缩感知方法（Compressive Sensing,CS）突破了经典的奈奎斯特采样定理的极限,成功地实现了信号的采样与压缩同时进行。最近学者们将研究方向从降低采样率转移到降低量化精度上,提出了1 比特压缩感知理论。1 比特压缩感知是在传统压缩感知的基础上对观测值进行极限量化处理,因而能够极大地缓解编码器的硬件压力。然而,由于采用了极限量化,传统1 比特压缩感知仅采集了信号的符号信息,这直接导致其在编码效率上存在严重的不足。针对该问题,本文从量化器改进和重构算法优化两个方面进行了研究,提出了一种1 比特矢量量化编解码方案以提升编码效率,同时将1 比特重构方法拓展到多比特条件下,提出了一种全变差正则化一致性重构优化算法,从而提升了重构质量。具体研究成果如下:1.提出了一种基于1 比特多描述矢量量化的压缩感知编解码方案。针对1 比特压缩感知信号的编码效率低下问题,在编码端采用矢量量化器对部分压缩感知观测值进行矢量量化,并采用Binning技术进行1 比特编码,以实现降低码字的目的;而在解码端利用观测值之间隐含的相关特性,根据已解码的观测值逐步估计出原观测值的符号信息;在获得所有解码码字后,再利用优化重构算法对信号进行高质量重建。实验证明,与传统1 比特压缩感知量化方法相比,该方案在没有增加编码端复杂度的前提下,有效地提升了编码效率,并且能有效对抗信道传输中的比特丢失现象,具有鲁棒的传输性能。2.提出了基于全变差正则化的一致性约束的量化重构方案。针对1 比特压缩感知中固定零阈值带来的码字高冗余度问题,对多比特量化重构方案进行了研究。与传统压缩感知2范数约束的量化重构方案不同,本文将一致性约束思想引入到重构过程中,即将量化约束加载到每个观测值之上,从而获得了更优的重构效果。此外,针对当前高清图像视频信号,引入循环托普利茨矩阵,旨在解决大规模数据的快速运算问题。实验证明,与传统压缩感知量化重构方案相比,提出的基于一致性约束重构的压缩感知量化方案能够有效提高采样效率,提升重构效果。