1.一种稳健的复数域多任务贝叶斯压缩感知方法，其特征在于，该方法基于复数域多任务贝叶斯测量模型实现，所述复数域多任务贝叶斯测量模型如下：y i ＝Φ i x i +n i ，i＝1，2，...，L，其中， 表示复数域压缩观测数据， 表示复数域测量矩阵， 表示复数域原始信号， 代表复数域测量噪声，L代表任务数目，N i ＜＜M；假设x i 满足复数域Laplace先验稀疏分布，n i 满足零均值复高斯分布，则可以利用递归操作从观测数据y i 中成功重构原始信号x i ，该复数域多任务贝叶斯压缩感知方法包括：S1、输入y i ，Φ i i＝1，2，...，L；S2、参数初始化，令α m ＝∞，m＝1，2，...，M；令a＝1000，b＝1；令t代表递归次数，初始时令t＝1；设置最大递归次数K，递归终止的条件为递归次数达到K或两次递归操作之后，代价函数l(α m )的变化小于门限δ，其中，最大递归次数K不能小于M，δ设置为1×10 -8 ，而代价函数l(α m )表示为：其中， 表征了基矢量Φ i，m 在B i，-m 中的重叠度， 表征了基矢量Φ i，m 与观测数据y i 的相关性， 代表观测数据y i 在B i，-m 中的投影，基矢量Φ i，m 是Φ i 中的第m个列向量， 与删除第m个列向量影响的B i 相等，C i 为边缘似然p(y i |α)的方差；S3、任意选择一个α m ，根据以下公式计算判决因子：S4、判决并更新λ和α m 值，若Δ m ＞0且α m ＝∞，进行增加操作；若Δ m ＞0且α m ＜∞，进行重新估计操作；若Δ m ＜0，进行删除操作；S5、根据步骤S4选择的操作类型，进行相应的参数更新，令第t次递归时，解空间的维度为M t ，当前∑ i 和Φ i 的维度分别是M t ×M t 和N i ×M t ，令k∈{1，...，M t }代表当前解空间中对应于α m 的索引值，令j∈{1，...，M}代表需要遍历的索引值，更新后的参数值用上方带波浪符的字母表示；所述增加操作对应参数更新为：其中，∑ i，mm ＝(α+S i，m ) -1 是∑ i 的第m个对角线元素，μ i，mm ＝∑ i，mm Q i，m ，且 所述重新估计操作对应参数更新为：令 且∑ i，k 是∑ i 的第k个列向量，则：所述删除操作对应参数更新为：S6、判断是否满足递归中止条件，若不满足则t＝t+1，返回步骤S3，若满足则输出重构后的原始信号
2.根据权利要求1所述的稳健的复数域多任务贝叶斯压缩感知方法，其特征在于，在复数域多任务贝叶斯测量模型中：首先、观测数据y i 的满足如下分布： 其中CN(·)代表多变量复高斯分布，β满足Gamma先验分布；其次、令复数域原始信号x i 满足分层Laplace先验，第一层，假设x i 满足多变量零均值复高斯分布：其中α为先验，|x i，m |表示x i 的第m个元素的绝对值，第二层，假设α先验满足一种特殊的Gamma分布， 其中，其中α m ＞0，且λ＞0；最后、原始信号x i 的先验分布可以表示为：还包括第三层，假设超先验λ满足分布p(λ)＝1/λ。
3.根据权利要求1所述的稳健的复数域多任务贝叶斯压缩感知方法，其特征在于，基于贝叶斯原理，通过边缘积分消去参数β的影响，原始信号x i 的后验概率分布满足多变量Student-t分布，且可以表示为：其中， A＝diag(α 1 ，α 2 ，...，α M )，|∑ i |代表矩阵∑ i 的行列式；观测数据y i 与先验参数α和超先验参数λ之间的联合概率分布为：其中边缘似然p(y i |α)为： 其中，B i ＝I+Φ i A -1 Φ i H 。
4.根据权利要求1所述的稳健的复数域多任务贝叶斯压缩感知方法，其特征在于，所述步骤S4中在进行增加操作和重新估计操作时，
