提出并研究了一种估计高斯白噪声中可能观测到的稀疏序列的经验Bayes方法。首先考虑的是零概率原子和重尾密度γ的混合，混合权重由边际最大似然选择，希望在稀疏序列和密集序列之间进行调整。如果随后使用后验中值进行估计，则这是一个随机阈值处理过程。也可以使用使用相同阈值的其他阈值规则。边际最大似然方法选择的阈值上的概率界导致了长度信号序列类别的总体风险界n个考虑到各种类型和程度的稀疏性。所考虑的信号类别是仅允许比例η为非零的“近黑”序列，以及归一化的序列ℓ_第页由η限定的范数，对于η>0和0<第页≤2.估计误差以平均值衡量q个第th次功率损耗，对于0<q个≤2.对于所有考虑的类别q个在（0,2]中，该方法获得的最佳估计率为n个→∞ 和η→0，并且在这个意义上自动适应基础信号的稀疏性或其他。此外，风险在所有信号上一致有界。如果使用后验均值作为估计器，则结果仍然适用于q个>1.仿真结果表明其性能优异。对于适当选择的函数γ，该方法易于计算，并且有可用的软件。还考虑了与极稀疏序列估计相关的改进阈值方法的扩展。