压缩感知（Compressed Sensing，CS）算法是一种用于采集和压缩数字信号的新兴技术并在许多应用中具有潜在的优势。CS的方法是利用特定域中信号的稀疏性来减少重构信号所需的样本的数量。一般来说，它所需的样本数量比多年来信号采集的基本原理：奈奎斯特采样定理所需的样本数量要少得多。奈奎斯特采样定理指出，当采样一个信号时，采样速率必须至少是该信号带宽的两倍，即奈奎斯特速率。所以传统信号处理方法常采用先采样、后压缩的方式，主要步骤是：首先，以奈奎斯特速率对信号进行采样，然后使用诸如小波或傅里叶变换的方法对采样的信号进行压缩，保留和量化有关系数并丢弃不必要的系数。然后，处理过的信号可以被存储或传输。随后被解压，原始信号就可以被近似地恢复。显然，如果被测量的信号具有非常宽的带宽，这就需要非常高的采样速率并会产生大量的数据。如果在压缩过程中，大量的信号元素被认为是不必要的并且被丢弃，那么这个采样过程就可以被认为是低效的，并且压缩过程也消耗了不必要的能量。这对能源严格限制的单兵系统中的生命状态监测系统是不友好的。

压缩感知允许在采样过程中对信号进行有效压缩，也就是采样和压缩同时进行，以此来大幅度降低不必要的功耗。为了实现上述益处，需要注意CS的两个基本概念：信号的稀疏性和测量矩阵的不相干性。至关重要的是CS所采样信号至少在一个域中获取的信号是稀疏的，即在某一域中（如频域），信号中的大部分元素是零或很小的值。许多真实世界中的信号符合上述要求，包括生命状态监测系统所要监测的士兵生理信号：脑电图（EEG），心电图（ECG），肌电图（EMG）等。如果信号满足稀疏性的要求，则可以通过相对较少采样压缩测量值来获得准确的重构信号。不相干性原理指出，用于获取压缩信号的测量矩阵必须与信号稀疏表示的字典不相干。一般来说，被测信号越稀疏，CS越多地利用信号特征，重构质量越好。

CS范例指出可以通过仅采集/传输代表X信号的M个样本来重构代表信号X的N个样本，其中M