炮口产生的冲击波会对周围人员和采集仪器造成严重危害,因此对冲击波信号进行准确地测量,在武器的研制和改进中具有重要作用。冲击波信号作为一种瞬态信号,其有效信息在整个采集时段中的占比较小,而且其频率成分复杂并含有高频分量。基于传统奈奎斯特原理采集冲击波信号时须保持高采样率,这会产生大量的冗余数据,严重消耗网络传输带宽和内存空间。为了突破奈奎斯特原理限制,压缩感知理论被引入到冲击波信号的处理过程中,然而,信号的重构效果会受到以下条件的影响:压缩感知中须选取合适的稀疏矩阵、稀疏矩阵和观测矩阵必须满足不相关性以及在多个测量向量重构过程中要求信号满足联合稀疏先验性。针对以上问题,本文在压缩感知技术中引入了深度学习理论,设计了基于深度学习的冲击波信号压缩感知方法。本文主要研究内容如下:1)针对压缩感知技术中稀疏矩阵选取不当,造成信号重构误差较大的问题,本文提出了一种深度卷积生成网络与压缩感知相结合的算法。该算法将固定的随机信号作为网络输入,通过设计的损失函数优化网络参数,最后输出重构信号。且该算法是一种数据惰性学习方法,不需要大量数据对网络模型进行训练,而是对每一个信号进行单独学习,进而实现信号端到端的恢复,规避了稀疏矩阵的设计环节,并通过仿真验证了重构误差的减少。在15psi和5psi量程传感器实测冲击波信号的实验中表明,该算法相比于传统压缩感知技术具有更好的重构效果,其重构误差在稳定时约为DFTOMP算法和DCT-OMP算法在测量数为2400时误差值的0.5倍。2)针对分布式压缩感知重构算法在处理多个测量向量时要求不同通道的信号须满足联合稀疏先验条件的问题,本文提出了一种长短时记忆网络与压缩感知相结合的算法。该算法通过给定所有通道的初始残差值,计算出每个向量中每项非零值的条件概率来捕获事先未知的依赖关系,进而在重构算法中使用学习到的依赖结构。其中,长短时记忆网络用来估计向量中非零值的条件概率,且该网络是一种专门处理时间序列问题的数据驱动模型,是通过最小化交叉熵代价函数来进行网络模型参数的训练。为了找到向量中非零条目的值,需要利用最小二乘法进行求解。最后,在15psi和5psi量程传感器实测冲击波信号的实验结果中表明,该算法的重构性能优于传统的SOMP、BCS和MT-BCS算法,可以在一定程度上,提高分布式压缩感知技术的重构性能。