在传统的奈奎斯特采样过程中,要求信号采样频率必须大于信号带宽的二倍,这对编码端的存储带来很大的负担,大量采样数据也会对圧缩过程的计算施加极大压力,在编码端资源受限的场景下,这些都是不可接受的。压缩感知(CS)的提出解决了上述问题,它打破了奈奎斯特定律的禁锢,将数据的采样与压缩过程合二为一,特别适合于编码端资源受限的场景。分布式压缩视频感知将分布式视频编解码(DVC)与CS相结合,其编码端复杂度相较于DVC有了进一步的降低,因此一经发表,就引起了众多学者的兴趣,取得了很多的优质方案,其中基于多假设预测技术的方案因其较好的重构性能取得了广泛关注。但是在低采样率条件下,现有的多假设预测算法只是利用Key帧做参考帧,并没有有效发掘相邻CS帧对重构的参考价值,因此重构质量还有很大提升余地。本文提出了基于多参考帧的假设集合优化选择算法(Multi-Reference Hypothesis Optimization,MRHO),先通过增加参考帧数量来扩大多假设预测向量的选择范围,然后选择与待重构块相关性最高的假设组成新的假设集合,在不增加多假设预测集合尺寸的前提下使多假设预测集合的整体质量得到提升,最终达到提高CS帧重构质量的目的。另外为了进一步提升重构性能,本文在已有的Key帧二次重构算法的基础上做出改进,增加Key帧的参考帧数目,利用MRHO算法选取最优的假设向量对Key帧进行二次重构,提高Key帧的解码性能。仿真结果表明,在低采样率条件下,本文提出的基于多参考帧假设集合优化选择算法有效地同时提升了Key帧和CS帧的重构质量。