随着移动互联网和物联网的大规模推广和应用,分布式系统获得了广阔的发展空间,也成为未来无线网络的必备支撑技术之一。在分布式系统中,大量节点和节点间的交互造成系统数据流量异常庞大,因此必须具有高效的数据压缩技术。传统压缩处理方式中,先采样后压缩的形式浪费了大量的处理资源,造成整个系统硬件实现成本和功耗过高;而压缩感知技术突破了传统数据信号处理模式,直接获取信号的压缩表示,从而略去了对大量无用信息的采样。将压缩感知技术应用到分布式系统的信号处理中,可以降低节点成本,减少节点间通信开销。本文将针对分布式系统中的压缩感知技术进行研究,提出低复杂度的采样方案、低数据量的传输方案、高性能的重建方案。主要内容和贡献如下。压缩采样机制可以从模拟信号直接得到压缩后的数字信号;当前已有的模拟信息转换器（AIC,analog-to-information converter）所能产生的采样值个数受限于其配置的积分分支数,而随后提出的分段AIC则具有复杂度较高的缺点。考虑到这些问题,本文提出两种改进的分段AIC结构,分别为部分分段AIC和Toeplitz-like分段AIC,这两种结构都具有更低的复杂度。前者对所有积分分支进行分组,每组只在部分时间内进行积分,以此得到包含多个块对角阵的等效测量矩阵。后者在不同的分支之间进行积分波形复用,以此得到包含多个Toeplitz块矩阵的等效测量矩阵。文中从理论上推导了两种等效测量矩阵的有限等距特性,证明了所提出采样机制的有效性;并且,推导了部分分段AIC结构的均方误差上界。仿真结果验证了两种采样方法都具有较好的采样性能。由于在采样值产生过程中,这两种结构所采用的置换操作都局限在部分分支之内进行,因此非常适用于分布式系统中的各个节点进行压缩采样。针对具有多个认知节点的认知无线网络,提出了基于单比特量化的压缩频谱感知方案,以降低现有系统的传输数据量。其中每个认知节点感知到相同的主用户信息,然后利用单比特量化获取该信号压缩采样值所对应的符号信息作为测量值;融合中心收到不同认知节点的符号信息后,设计两种联合重建算法来恢复信号。第一种算法采用单一范数形式来构造重建代价函数,而第二种算法采用不同范数来处理不同质量的接收信号,以此构造重建代价函数。仿真结果表明,所提出的算法可以有效重建主用户频谱信息,且算法二优于算法一的性能。针对具有多个节点的分布式系统,当各节点发送信号具有稀疏的公共部分和独立部分时,提出了基于单比特压缩感知的协作传输方案,以降低系统传输数据量。其中每个节点利用单比特量化获取压缩采样值的符号信息作为测量值;接收端收到不同节点的符号信息后,设计四种联合重建算法来恢复信号。这四种算法都采用不同的范数来构造重建代价函数,以迭代方式解决优化问题。其中,前两种在每次迭代中直接重建公共部分和独立部分,而后两种在每次迭代中都采用间接重建的形式,先恢复各部分的测量值然后再重建相应的各个部分。仿真结果表明,所提出重建算法的性能都优于独立重建方案和基于多比特量化的传输方案,且后两种重建算法优于前两种重建算法。