La teoría de compresión sensorial se ha utilizado ampliamente para resolver ecuaciones indeterminadas en varios campos y ha logrado logros notables. El algoritmo de reconstrucción suave regularizado L0 (ReSL0) agrega un término de regularización de error al algoritmo suave L0 (SL0), logrando una buena reconstrucción de la señal en presencia de ruido. Sin embargo, el algoritmo de reconstrucción ReSL0 todavía tiene algunas fallas. Todavía elige el método de optimización original de SL0 y la función de aproximación de Gauss, pero este método tiene el problema de un efecto de diente de sierra en la etapa de optimización posterior, y el efecto de convergencia no es ideal. Por lo tanto, realizamos dos ajustes en la base del algoritmo de reconstrucción ReSL0: en primer lugar, introducimos otra función CIPF que tiene un mejor efecto de aproximación que la función de Gauss; en segundo lugar, combinamos el método de descenso más empinado y el método de Newton en términos de la optimización del algoritmo. Luego, se propone un nuevo algoritmo de recuperación regularizado llamado reconstrucción suave L0 regularizada combinada (CReSL0). Bajo las mismas condiciones experimentales, se compara el algoritmo CReSL0 con otros algoritmos populares de reconstrucción. En general, el algoritmo CReSL0 logra un excelente rendimiento de reconstrucción en términos de la relación señal-ruido pico (PSNR) y el tiempo de ejecución tanto para una señal Gauss unidimensional como para tareas de reconstrucción de imagen bidimensional.