近年来,监控视频随着多媒体技术的发展,在生产生活中逐渐发挥出至关重要的作用。随着其大量应用而产生的海量数据,给计算机的存储和处理带来了巨大压力。进行高效的监控视频信号压缩以及高清晰度重建已经成为其应用与未来发展的关键性因素。因此,进行监控视频信号高质量的表示与分析、压缩与重构是一项十分有价值和意义的研究。本文针对监控视频中背景相对固定的特点,并结合目前信号处理中先进的压缩感知理论,设计了基于背景去除的监控视频稀疏表示框架。同时,分析传统字典学习算法需要一次性输入整个训练集,以及将图像块转换成列信号会破坏原有结构信息等问题,本文将基于自适应的块递归最小二乘(BRLS)算法扩展至图像和监控视频的字典设计当中。另外,由于监控视频往往尺寸较大、包含信息较复杂,本文提出了多字典集成学习和稀疏表示框架,并设计了对应的感知矩阵优化方法。最后,将多字典压缩系统与半张量积技术相结合,在保持监控视频重构性能不发生较大变化的情况下减轻计算机的计算和存储压力。本文主要的研究内容如下:1、设计新型去除监控视频背景的稀疏表示模型,并将BRLS字典学习算法扩展至其中。如此,既可以不进行图像块与列之间的转换来保持结构信息,又能够依次学习图像块(帧)来避免一次性输入整个训练集而导致计算压力的增大。2、针对监控视频尺寸较大、信息较复杂等问题,提出了多字典稀疏表示与重构的集成处理框架,并且设计了在此框架下的单个感知矩阵优化算法。3、将多字典框架与半张量积结合,在尽可能保持系统重构性能稳定的前提下降低计算机存储和计算负担,同时打破感知矩阵所受到的信号维度的限制。最后,将分块多维稀疏表示扩展至彩色监控视频序列之中进行高效的稀疏表示和重构。4、利用Matlab软件,对所提方法在图像、监控视频场景下进行了仿真测试,并与传统方法进行对比,验证了新方法的有效性。