智能监控系统通过结合人脸识别、目标检测与跟踪、异常检测等技术被广泛应用于众多相关领域。与此同时，在我国日趋复杂的工业网络结构中，监控视频在工业安防和工业质检等方面的作用愈加重要。然而，随之产生的海量监控视频的传输和存储给网络带宽、内存资源等方面也带来了极大的挑战。因此，保证监控视频的高效应用并提高压缩与重构效果，具有重大的应用和商业价值。
　　本文在分块压缩感知理论的基础上，根据监控视频自身及其应用特点，结合残差特性和视觉注意机制，减少监控视频的冗余信息。并对静态或动态监控视频提取感兴趣区域，从而实现监控视频的自适应分区压缩与优化重构。本文主要进行了以下几个方面的研究：
　　(1)基于残差监控视频自适应区域增强分块压缩感知。本文针对监控视频的冗余信息，利用残差提高视频帧的稀疏性，减少时间冗余信息。同时通过视觉注意机制提取感兴趣区域, 进一步减少了空间冗余信息, 实现了监控视频测量比的自适应调整与分区增强重构。
　　(2)基于卷积神经网络(Convolutional Neural Network, CNN)静态背景监控视频压缩感知重构算法。本文首先通过数据库保存背景帧的图像块和对应压缩码。然后根据静态背景监控视频中背景区域及其对应压缩码不变的特点，利用压缩码对视频帧分区。最后背景区域直接调用数据库图像块重构，前景区域采用卷积神经网络对前景压缩码进行重构，实现静态背景监控视频的高效压缩与重构。
　　(3)基于卷积神经网络(CNN)监控视频多分区压缩与并行重构算法。本文通过制作Factory2018数据集来训练Faster-RCNN网络，实现快速准确地提取视频帧中多个以人为目标的感兴趣区域，然后视频帧分区进行不同程度的压缩。提高了监控视频分区的鲁棒性和自适应性。并且利用基于卷积神经网络的并行网络进行优化重构。
　　最后，对文章进行了总结、并分析本文研究过程中的不完善之处，探讨了可进一步改进优化的研究方向。