压缩感知（Compressed Sensing,CS）理论是一种通过减少采样的次数,降低采样时间的技术。该理论已经在医学成像、照相机设计、地震监测、信息论、语音加密以及石油勘探等方面取得了重要的进展。CS理论突破性地揭示了一项能够降低采样时间的规则,稀疏信号在运用恰当的矩阵进行观测后,运用适当算法可以高概率重建。压缩感知理论还需要我们进行恰当的观测矩阵设计。观测矩阵需要满足线性独立性、独立随机性以及l0范数优化和l1范数优化等价的条件才能具有更好的重建效果。部分正交阵使用条件较为苛刻,随机矩阵的储存难度高,不便于算法的实现。而确定性矩阵减少了存储的信息量,但重建的效果不好。在此背景下,本文对观测矩阵的构造和优化进行了研究。本文系统地总结了前人的经验研究,在此基础上,提出了观测矩阵的构造和优化的方法,在仿真实验的基础上,形成了以下两点结论:（1）本文在结合了稀疏随机矩阵和范德蒙矩阵的性质后,提出了稀疏随机分块范德蒙矩阵的观测矩阵构造方法,得出结论:保证一定重建精度的前提下,稀疏随机分块范德蒙矩阵能够大大减小存储空间,便于算法实现。（2）本文提出了在稀疏基正交条件下,基于Schmidt正交化方法的观测矩阵优化方法,得出结论:基于Schmidt正交化方法的测量矩阵优化,相比优化前具有更好的重构效果。