针对实际观测到的时变信号由于噪声污染、机器故障等引起数据缺失，从而导致后续数据处理结果不准确的问题，提出了一种基于重加权图拉普拉斯正则化（Reweighted GLR）的时变图信号重构算法。首先，该算法根据数据的空间距离信息构建图模型；其次，根据图模型中时变图信号的空间域平滑特性将时变图信号重构问题归结为一个无约束优化问题；最后，利用重加权迭代算法求解该优化问题。该方法随时间变化对边权重进行调整，动态更新图拉普拉斯矩阵，以此刻画数据随时间变化时的内在关联性，充分利用了时变图信号的时间-空间关联性。仿真结果表明，所提出的算法与基于时变图信号空间域图平滑性的重构算法相比，进一步挖掘了时变图信号的时间关联性，降低了重构误差，提高了重构性能。