传统视频编码技术以奈圭斯特采样理论为基础,先以高于信号最高频率两倍的速率对信号进行采样,再通过复杂的压缩编码去除冗余信息。这种先高度采样再高度压缩的操作过程不仅对采样资源端造成了巨大的浪费,还对编码端施加了巨大的计算压力,对编码端资源受限的应用场景不再适用。压缩感知理论将采样与压缩过程进行了合并,极大简化编码过程并将计算压力从编码端转移至重构端。视频信号由多个存在相关性的图像信号组成。本文主要关注图像/视频压缩感知重构算法的研究,大部分视频重构算法通过图像重构算法重构部分视频帧后利用帧间相关性重构其他视频帧。现有较突出的图像/视频重构算法大多涉及到相似块的匹配过程,而图像/视频信号最终的重构质量受相似块匹配程度的影响较大。本文针对相似块匹配条件较差的情况,分析利用图像块的结构特征分别在图像和视频信号重构上提出相应的解决方案。具体研究工作分为以下两个部分:1.在低采样率条件下,图像初始重构质量较差,相似块分组不理想,影响最终重构质量。本文在GSR算法的基础上提出一种低秩增强图像重构算法(LRER),首先采用混合滤波方案提升初始重构质量,然后在相似块正式分组前进行低秩增强预处理,使相似块分组过程更加关注图像块的关键初级特征,提高分组合理性。仿真结果表明,所提算法在低采样率条件下重构性能提升明显。2.在基于多假设预测的视频压缩感知重构中,不同图像块对应的假设集匹配程度差异较大,因此重构难度差异明显。本文提出多假设局部增强重构算法(MH-LE),对图像块进行分类后针对运动图像块提出像素域双路匹配策略,通过强化图像块基本特征来提高匹配效果,获取更高质量的假设集;同时将结构相似度评价标准引入假设块权值分配过程,提高预测精度。仿真结果表明,所提算法的重构质量明显优于其他多假设预测重构算法。和基于组稀疏的重构算法相比,所提算法具有更快的重构速度,在大部分的采样率条件下具有更高的重构质量。