压缩感知理论突破了传统的Shannon-Nyquist框架,为成像等领域带来了一种新的思路,在获取目标信息时,通过压缩采样的方式仅需获取少量观测值,然后利用稀疏重构算法可根据观测值重构出目标图像。信号的稀疏性、测量矩阵和重构算法是压缩感知理论的重要组成部分。论文通过大量实验研究了常用测量矩阵对压缩采样和重构过程的影响,同时提出了一种改进的测量矩阵,利用伯努利矩阵的构造方式干预部分哈达玛矩阵的构造过程得到新的测量矩阵,新矩阵在图像重构的过程中能提高重构质量且重构稳定性好。在压缩感知重构算法部分,论文深入研究了贪婪算法,并针对贪婪类重构算法的不足之处,给出了详细的改进思路,提出了一种改进的自适应子空间追踪算法,通过和其它算法的比较,发现该算法可以有效提高图像的重构质量和重构稳定性。压缩感知理论虽然可以减少测量数目,但同时也面临大规模矩阵运算的问题,论文研究了分块压缩感知,降低了矩阵规模,提升了运算速度,但也发现了分块压缩感知存在的块效应问题,针对块效应提出了解决方法,简单的滤波处理可以消除部分块效应,但是图像也会变模糊,论文提出了一种基于TV模型的块效应消除方法,该方法可以有效降低分块重构图像的块效应且图像不会变模糊。