1.一种深度学习应用于压缩感知重建的数据训练方法，其特征在于，所述方法包括如下步骤：步骤1.信号稀疏化：选取一条语音或图像数据作为信号x∈RN，根据该信号的特点，选取稀疏基Ψ∈RN×N，计算信号x在稀疏基Ψ下的系数s＝Ψ-1x；s中非零项个数为k；

步骤2.构造随机测量矩阵Φ：根据采样数目M(M

步骤3.计算测量向量y：由测量矩阵Φ，稀疏基Ψ和稀疏向量s计算测量向量y＝As，其中A＝ΦΨ；

步骤4.初始化迭代参数：残差r0＝y，稀疏向量

步骤5.设定迭代次数：迭代次数t＝1；

步骤6.计算残差-特征向量对

步骤7.迭代终止条件判断：判断迭代次数t是否小于稀疏度k，如果t

2.如权利要求1所述的一种深度学习应用于压缩感知重建的数据训练方法，其特征在于，步骤6具体实现过程如下：

6.1.更新稀疏向量 在稀疏向量 中搜索幅值最大项，设该项索引为kt，值为 将该项置零，得到新的稀疏向量 包含剩下的k-t个非零项；

6.2.计算残差rt：由索引kt可确定 即A的第kt列，为本次迭代选定原子，计算选定该原t子后的残差信号 其中 是稀疏向量 的第k项，该残差是因为未包含中剩下的k-t个非零项，在这剩下的k-t个非零项中，中最大值对rt的贡献最大，因此可以用rt来预测 中最大值索引；

6.3.计算特征向量 搜索稀疏向量 中幅值最大项，将该项值置为1，其它项值置0，得到特征向量

3.如权利要求1或2所述的一种深度学习应用于压缩感知重建的数据训练方法，其特征在于，步骤1中，其中稀疏基可选择正交小波变换基或离散余弦变换基。