随着社会的快速发展,繁忙和不健康的生活方式导致患有慢性疾病的人数剧烈增长,这一发展趋势与有限的医疗资源之间的矛盾已经成为一个亟待解决的全球性公共安全卫生问题。近年来,传感器与物联网技术的快速发展为远程医疗监护系统的实现提供了技术支撑。远程医疗监护系统由于具有长期且持续地监护、较低的医疗成本以及极大增加了患者活动性等优点,为慢性疾病的监护提供了一种极具前景的解决方案。然而,长期持续的监测需要传感器节点通过无线链路发送大量的生物医学数据,无线链路高能耗的特点导致该过程需要巨大的能耗,极大地缩短了传感器节点的生命周期。压缩感知技术可以通过测量矩阵的设计实现超低复杂度的压缩编码,从而大幅度降低节点在数据传输过程中的能量消耗,近年来已成为该方向上的一个研究热点。但是,现有的研究仍然存在以下不足:第一、测量矩阵的构造常见的方法是随机构造,或者从一般性性能指标优化的角度进行构造,针对特定的某种数据类型缺乏自适应的构造方法;第二、现有的重构方法主要依赖于手工设计的先验信息,手工设计的方式难以充分挖掘出信号的深层先验信息,导致难以进一步提高重构性能。第三、更多地关注信号重构质量,相对地忽略了对信号重构计算复杂度的兼顾。随着越来越多的应用需要部署在资源有限的移动终端,该现状的弊端日益凸显。本文针对上述问题开展了进一步的研究,主要的研究内容与贡献包括:(1)针对自适应测量矩阵的构造,本文提出了一种部分连接自编码器(PcAE)模型。PcAE结合了模型驱动和数据驱动的优点,利用数据对稀疏二值测量矩阵的构造和非迭代重构进行联合优化,从而同时获得了较低的编码复杂度和较高的信号重构质量。关于神经尖峰信号在无线神经神经记录应用中的实验表明:PcAE算法相对于其他几种基于压缩感知算法和基于深度学习算法在编码端具有极低的计算复杂度和较好的重构效果。例如,在测量值为M=8(采样率较低)时,PcAE算法的信噪失真比SNDR的值为25(dB),远远高于传统的BSBL重构算法在测量值M=16时的SNDR值,具有极好的重构效果。(2)借助于深度学习强大的学习能力,本文提出一类基于对抗卷积自编码器的ECG信号重构方法,试图从ECG数据中学习深层先验信息,并将与深层先验等价的网络插入到ECG信号的重构方法中,以获取高效的重构性能与极低的计算复杂度。PTB diagnostic ECG心电数据集实验表明:在采样率为0.20时的平均信噪比R-SNR为37.9(dB),比其他算法在采样率为0.50时的重构效果好。而且,在重构的平均计算时间上只需要0.0026秒,要远远低于其他的基于深度学习的RBM-OMP重构算法的平均计算时间。