人类最主要的信息获取方式就是通过视觉途径,尤其是在这个信息革命的时代,我们对于图像承载信息的方式有了更多的依赖。虽然集成电路的飞速发展极大地提升了图像处理的速率,但是人们日益增长的对于大数据的需求与相对滞后的图像处理方法之间仍然存在亟待解决的矛盾。经典的奈奎斯特采样方式对于高带宽信号的采样存在着明显的不足。1)难以满足快速采样的要求;2)硬件采样电路采样的成本过高;3)产生的冗余数据需要经过数据压缩然后再在信道上进行传输,这造成了资源上的浪费。2006年以来,随着压缩感知理论（Compressed Sensing,CS）逐步的成熟和完善,其在信号处理领域得到了广泛的应用。该理论指出假使目标信号在某个变换域下具有稀疏性或者目标信号是可压缩的,就可以在不充分采样的情况下,对目标信号进行精确的重构。但压缩感知理论对于信号的先验性有较高的要求,即需要对信号的稀疏系数以及稀疏域有一定的了解,恰恰是这点,严重影响了CS理论的实际应用价值。而盲压缩感知理论（Blind Compressed Sensing,BCS）,最初就是为了解决压缩感知存在的缺陷而被提出的,该理论结合了字典构造理论（Dictionary Learning,DL）与CS理论。字典构造指的是在稀疏表示下构造最优的稀疏基,它需要满足系数唯一性的条件,并且进行解的最优化,然后得到更稀疏和更精确的表示。基于BCS理论的基础,本文改进并提出了一种新型的盲压缩感知框架,并利用该框架在欠采样条件下实现了对自然图像信号的重构。该方案是将自然图像信号建模成一个稀疏系数矩阵S和一个过完备字典矩阵P的乘积。与经典压缩感知相比,本文的BCS图像重构方法同时对稀疏系数矩阵S和过完备字典矩阵P进行估计。为了在交替迭代的过程中,更快地对S和P进行最优化求解,我们将图像重构求解的问题视为限制优化问题,即在优化的过程中加入了正则项λ₁‖ S ‖l₁ +λ₂ ‖P‖2/F分别对两个矩阵的求解过程进行限制,以避免在对S和P求解过程中出现过度拟合的情况,其中弗罗伯尼范数（F范数）字典限制同时可以起到避免模糊重构的作用。另外,为了更加简单而有效的对目标函数进行求解,我们引入了一个辅助变量矩阵T,将原始优化问题分解成三个更简单的子问题,并采用交替学习的策略,循环对三个子问题进行最优化求解。与在大多数字典学习算法中假设的l0范数和列范数约束相比,使用l1惩罚和F范数对字典进行约束能够实现对不相关基函数的有效衰减。本人通过MATLAB2014b软件平台对本文提出的BCS重构算法以及经典的CS算法进行了仿真实验,并将本文方法与经典的CS重构算法OMP、IRLS、CoSaMP进行了实验对比,实验结果表明本文提出的BCS方案可以在欠采样的条件下得到比经典的CS图像重构方法更高的重构准确率。在实验中,分别计算了上述重构算法的PSNR值,对比发现在欠采样的情况下,本文的提出算法的PSNR值可以比传统的CS算法高出7dB,直观对比重构图像,本文算法重构的图像视觉效果更加清晰,可以凸显更多的细节。可以说,本文提出的BCS图像重构框架与经典压缩感知方案相比较具有较好的重构性能。