压缩感知(Compressed Sensing, CS)理论是一种新的信号采样方法,它以目标信号的稀疏结构为前提,通过设计一种测量矩阵将原始的高维稀疏信号投影到一个低维空间上,再利用重构算法以高概率重构出目标信号。国内外学者对CS重构算法进行了很多研究,其中,基于量子粒子群(Quantum Particle Swarm Optimization, QPSO)的重构算法在图像信号的重构中具有计算复杂度较小、算法鲁棒性高的优点,但同时也存在受限于高压缩比而使得算法适用性差的问题,本文以基于QPSO的图像重构算法为研究对象,提出了一种改进的QPSO重构算法,并将改进算法应用到视频信号处理中。本文的主要研究内容如下：首先,简述了压缩感知重构算法及其应用的研究现状。对压缩感知理论的数学模型进行了简单分析,从信号稀疏、测量矩阵、重构算法三个方面展开介绍了压缩感知的理论基础,对实验部分用到的稀疏基、测量矩阵与对比算法做了介绍,并充分研究了针对大尺寸图像压缩处理的分离式压缩感知方式。其次,介绍量子粒子群算法的基本原理与算法流程,从算法复杂度与重构精度两个方面对基于标准量子粒子群重构算法的性能进行了分析,并指出了该算法容易因粒子失活而产生早熟,从而导致其受限于特定压缩比。在此基础上提出了基于自适应粒子激活机制的量子粒子群算法,并进行了针对不同分辨率图像的仿真实验。实验结果分析表明,改进后的算法基本摆脱了特定压缩比的限制,算法适应性大大增强,且并未明显增加算法复杂度。最后,将改进的量子粒子群重构算法应用到视频信号处理中,与视频帧间自适应压缩编码方法相结合,发挥改进算法运算量较低的优点从而适应视频信号中要多次进行帧图像处理的要求。设计出了基于改进的量子粒子群重构算法的编解码两端的方案,通过仿真实验证明了该方案的有效性。