压缩感知是一个全新的采样理论，它充分利用信号的稀疏性，在远小于Nyquist采样率的条件下，用随机采样矩阵获取样本信号，然后通过非线性重构算法进行信号的完美重建。压缩感知理论主要应用在信息论、图像处理、模式识别、无线通信等领域。信号重构算法计算量通常很大，难以满足实时性的要求，而智能算法解决非线性优化问题有巨大的优势。本论文研究了部分智能算法，并将以OMP算法为代表的重构算法与智能算法进行融合，分别提出了人工蜂群算法、自适应量子遗传算法与OMP算法的融合算法。具体地，本论文主要研究工作及贡献如下：1、针对信号稀疏分解问题，本论文改进人工蜂群算法的迭代终止条件，克服了传统的迭代终止条件难以选择合适迭代终止阈值的问题，并且提出了人工蜂群算法与OMP算法的融合ABC-OMP算法。实验结果表明本文算法对信号的稀疏分解质量与粒子群算法和遗传算法相当，但运算速度均优于粒子群算法和遗传算法。2、在基于量子位Bloch坐标的量子遗传算法的基础上，本论文提出一种自适应Bloch球面的量子遗传算法，该算法按两种方式自适应的选取Bloch球面的一部分进行搜索，并在理论上证明了这两种选取方式都能够包含所求连续优化问题的所有可行解。在对选取的Bloch球面进行搜索时，提出了近似等面积搜索的方法，进而推导出两个相位转角大小之间的反比例关系。实验表明该算法在搜索能力方面与基于量子位Bloch坐标的量子遗传算法基本相当，但优化效率方面有明显提高。最后将该算法与OMP算法融合成ABQGA-OMP算法。3、针对压缩感知中一维数字信号和二维图像信号进行实验仿真，验证本论文所提出的两种重构算法的有效性。最后，对本文的主要工作以及取得的成果进行了总结，并指出了下一步工作的研究方向。