压缩感知是一种有损的数据采样方法，优势是用少量采样表示信号；针对同一信号，比传统采样方法获取的采样数据量要小的多。但压缩感知的劣势在于从采样数据中恢复信号的时间较长，这是影响其广泛应用的重要因素。本书针对压缩感知信号重构算法计算复杂度极高的问题，从算法加速和降低算法计算复杂度两方面展开研究。如在压缩感知算法加速方面，在并行化的基础上提出了基于云平台的加速方案，实现了复杂操作的并行化和复杂对象的序列化等问题。在降低算法计算复杂度方面，用观测矩阵原子与二维残差之间的相关性测量代替观测矩阵原子与一维残差之间的相关性测量，降低了重构操作的计算规模。

章绪论
1.1研究背景
1.2研究意义
1.3压缩感知的理论框架
1.4压缩感知算法及其重构
1.5压缩感知研究现状
1.6主要研究内容
1.7本书结构安排
第2章相关技术基础
2.1并行处理及多核技术
2.2云计算和大数据
2.3Python
2.4物联网及其发展
2.5本章小节
第3章并行压缩感知算法及其加速研究
3.1并行压缩感知
3.2CPU并行加速
3.3CPU并行加速
3.4本章小结
……