单细胞RNA测序（scRNA-seq）技术是研究基因与表型之间的关系的利器,同时也是当前生物医学研究中最重要的技术之一。然而多种因素导致单细胞RNA测序数据中存在噪声,如Dropout现象等。这些噪声可能会阻碍单细胞测序的部分下游分析问题。为此研究人员提出多种计算方法用以填充或补全单细胞测序数据,以减少数据噪声。单细胞RNA测序数据会因为Dropout现象等原因导致测序数据矩阵具有极高的稀疏性,针对这一问题,本文提出一种基于压缩感知的计算框架,用以解决单细胞RNA测序数据的质量问题。压缩感知在数据稀疏的条件下,可通过少量观测数据,以极高的概率重构出原始数据。本文主要研究了基于压缩感知对单细胞RNA测序数据的填充方法,做了以下两个贡献:第一个贡献是提出一种压缩感知恢复模型（Compressed Sensing Recovery,CSR）,用于单细胞RNA测序数据填充或恢复。首先,CSR使用K-奇异值分解（K-SVD）算法对单细胞RNA测序数据进行字典矩阵的计算。字典矩阵中包含了原始数据重要的特征信息,观测数据可以进一步稀疏化,使压缩感知有更好的效果。其次,设计了观测矩阵,通过观测矩阵对原始数据集进行观测,并使用正交匹配追踪（Orthogonal Matching Pursuit,OMP）算法进行数据重构。最后实验将CSR模型与其他填充模型进行比了较,证明了 CSR模型的有效性。第二个贡献是提出网络恢复模型（Network Recover,NR）使用全连接神经网络对CSR填充后数据矩阵出现的负值及部分零值进行恢复。mRNA含量不存在负值,本文假设细胞与基因之间存在着一种非线性关系,利用全连接神经网络计算细胞与基因之间的映射关系,对数据矩阵中的负值和部分零值进行恢复。实验结果表明NR方法能够有效提高CSR的表现能力。综上所述,本文为了解决单细胞RNA测序数据的数据噪声问题,构建以压缩感知为框架的CSR数据填充模型,并构建网络恢复模型对CSR模型中出现的负值问题进行解决,实验表明了模型的有效性。