改革开放以来,我国土木基础设施建设面临重大机遇。但是大型基础设施服役环境复杂,既要遭受地震、台风等极端作用,又不可避免承受环境侵蚀等长期作用,因此研究结构健康监测,保障和提升土木结构安全性能,是土木工程重要的任务和目标。土木工程结构复杂,自由度繁多,结构健康监测系统往往包含大量的传感器,大型基础设施连续监测系统往往采集海量数据,造成信号传输与存储效率低下。同时作为未来发展方向的无线传感器网络受到电池能量等限制,无法采集、存储和传输大量的数据。高效的信号压缩算法是健康监测迫切需要发展的方向。压缩采样作为一种崭新的信号压缩和处理手段,利用信号在某些域下的稀疏性特征进行信号解压缩重构,突破了Nyquist采样定理的限制,近十年在许多领域包括结构健康监测中展现了良好的应用前景,但是如何在信号高压缩率下实现精确的数据解压缩仍是重要的科学问题。在土木结构服役过程中,结构状态相对稳定,在相邻时间段的结构响应往往具有一定相似性,即信号随着时间的变化也具有稀疏性特征。本文基于此,开展时序贝叶斯压缩采样研究,主要研究内容如下:(1)第二章以连续变化信号压缩采样的信号重构为应用背景,建立层次贝叶斯学习模型,嵌入信号动态稀疏性约束条件,即原始信号具有稀疏性及前后相邻时刻信号之间的变化也具有稀疏性特征,基于卡尔曼滤波器设计,提出了动态稀疏系统的时序贝叶斯压缩采样方法,计算获得每一时刻的重构信号的后验均值及置信度协方差矩阵。同时,研究实时估计每一时刻卡尔曼滤波器的噪声参数,避免人为设置导致的滤波器估计不准确问题,实现了每一时刻信号重构的实时性或近似实时性。(2)第三章基于第二章的理论研究,建立时序贝叶斯压缩采样算法。为了保证在实际应用中的实时性,研究了算法的加速措施。同时基于均匀峰值和非均匀峰值模拟信号,在不同工况下进行信号重构研究,与传统贝叶斯压缩采样方法的效果进行对比,结果表明建立的算法在每个时刻更高压缩率下能实现精确信号重构。(3)第四章分别基于实际连续采集的健康监测一维信号和二维图像,验证了本文建立的方法相对传统方法更好的信号重构性能。结果表明,不论对于比较稀疏还是近似稀疏的信号均具有一定的性能改善。本文方法在结构健康监测的数据压缩重构、无线传感网络的丢失数据的恢复中、计算机视觉的图像采集与压缩中具有良好的应用前景。