压缩传感(Compressed sensing)是信号处理领域里一种全新的采样编码技术,在2006年由David Donoho、 Emmanuel Candes和Terence Tao等人提出后,引起了学术界和工业界的广泛关注,并已经在诸多领域内发挥应用。压缩传感的数学模型是求一个欠定线性系统的稀疏解,即稀疏信号恢复。组合群试(Combinatorial group testing)是在实验中从大量样本中找出某类低密度样本的一种基础工具。近年来在分子生物学中的应用又被称为池设计(Pooling design)。由于感兴趣的样本具有稀疏性,池设计也可以被看成一个稀疏信号恢复问题。一旦稀疏信号的支撑集被确定了,有很多方法去估计非零分量的值,因此只需利用池设计算法恢复支撑集即可。本文利用池设计中的“一般抑制剂模型(General inhibitor model)’’的组合结构构造稀疏信号恢复中的传感矩阵,在一定条件下完美无差错地恢复出信号的支撑集,并设计有效的恢复算法实现恢复过程。对于稀疏度为k的信号,得到的传感矩阵的阶数为O(k2logn)xn,恢复算法的计算复杂度为O(k2nlogn)。