随着现代信息科学技术的高速发展，视频信号已经在人们日常生活中占据非常重要的地位。然而视频数据的动态短暂性与高维特性，使得其在实际应用中对信号采样率与储存容量都有较高的要求。压缩感知理论的提出的低采样率很好的解决了这两个问题。动态纹理是视频信号中较为特殊的一类信号，其应用领域非常广泛，如视频信号的识别、合成、压缩等等。论文结合压缩感知技术对动态纹理视频进行了研究。　　首先，根据压缩感知理论，对视频压缩感知技术（VCS）进行了深入的研究。详细研究了视频压缩感知技术的采样特性与重构算法，重点分析并比较了经典的2-D、3-D小波稀疏基在视频压缩感知中的应用。　　其次，针对视频信号中的动态纹理视频，论文详细介绍了动态纹理视频信号的传统建模方法与参数估计。由于传统动态纹理视频的采样过程中浪费的大量采样数据，论文结合视频压缩感知技术，提出了基于压缩感知的线性动态系统建模框架（CS-LDS）。实验结果表明，论文提出方法在大幅降低采样率并且无需重构视频信号的前提下，能够有效对视频信号的建立动态纹理模型并准确估计系统模型的参数， CS-LDS算法能够在10％的采样率情况下，实现动态纹理的参数估计，并获得较好的重构效果。　　然后，在采样过程中，针对CS-LDS算法对不同动态纹理视频信号使用同样的采样原则与参数估计原则，缺乏具体情况的分析能力，论文在该算法的基础上提出了改进的自适应CS-LDS算法：在采样过程中，改进算法通过设置关键帧的方法，采用了自适应的采样方案，进一步降低视频信号的采样率问题；在重构过程中，根据系统的动态纹理模型参数的特性，对动态纹理模型的状态向量的维度进行了自适应的截断处理，在不影响模型参数估计的前提下，降低计算过程中的维度，从而节省计算时间。实验结果表明，改进算法有更低的采样率，平均每帧能够节省0.1---0.3s的运行时间。　　最后，基于动态纹理模型在视频识别领域的独特优越性，论文对动态纹理识别进行了深入研究。在传统的动态纹理识别算法基础上，将CS-LDS引入到动态纹理识别领域，即在压缩采样前提下，不需进行视频的重构而直接估计模型参数，进而实现视频的识别。实验结果表明，在20%的低采样率情况下，CS-DTC对交通视频数据的分类正确率达到87%以上。