压缩感知是一种新颖的信号处理理论.它突破了传统Nyquis/Shannon采样理论对采样的限制,以信号的稀疏性或可压缩性为基础,实现了对信号的高效获取和精确重构.具有很强的应用背景.目前压缩感知已在医疗成像,模式识别,压缩成像系统,信息转化,生物传感等领域得到了广泛应用.本文以压缩感知为基础,进一步展开了对块压缩感知算法的研究.本文主要内容如下第一章,概述了压缩感知的研究背景,并从重构算法和应用角度,分析了压缩感知的研究现状.最后概括总结了本文主要工作及全文组织结构.第二章,主要介绍了压缩感知的三大基础理论,即信号的稀疏表示,测量矩阵的设计.重构理论和算法.第三章,综合介绍了块压缩感知理论.包括块稀疏的基本概念,重构理论及其相关算法.分析了基于l2/lq(0<q≤1)极小化方法的Block-IRLS算法,并给出了该算法的理论刻画：误差上限估计和局部收敛性分析.其中误差上限估计表明,误差上限与正则化参数和最优s项逼近误差相关,为基于Block-IRLS算法的误差控制提供了一定的理论依据.第四章,从误差分析和算法对比方面,给出了Block-IRLS算法的仿真实验和相应的结果分析.特别是在与Block-OMP算法,SL20算法和SPGL1算法的块稀疏对比试验中,当信号的块稀疏度为10时SPGL1算法和SL20算法的重构成功率为0Block-OMP的重构成功率为24%.而我们的Block-IRLS算法的重构成功率为85%,优势明显.第五章,总结与展望.对全文所做工作进行了归纳与总结,并对块压缩感知可以继续研究的内容作了分析与展望.