基于传统Nyquist采样理论,为了保证采样信号的无失真重构,采样信号的频率不得低于信号最高频率的两倍,因此带来许多高速率数据采样的成本增加,同时也导致后续数据存储和传输的困难。压缩感知作为一种新的采样理论,突破了Nyquist采样定理的限制,可实现以更低采样率获取信号的重构,基于压缩感知的压缩成像在医学成像、遥感成像与视觉传感网络等领域具有广泛应用前景。压缩感知的基本理论包括稀疏表示、测量矩阵设计与非线性重构,如何实现压缩感知信号的高效准确重构一直是压缩感知研究领域的核心问题之一。本文面向压缩成像应用的需要,重点围绕压缩感知图像的高质量重构问题开展研究,特别探讨了基于图像非局部相似理论的压缩感知重构方法。论文的主要工作与贡献如下:（1）研究了一种基于图像块子带自适应稀疏表示的图像压缩感知重构方法。基于分块的图像处理具有较低复杂度的特点,考虑到不同分块图像统计特性的差异性,构建了一种基于图像块子带自适应归一化表示的压缩感知重构模型。首先通过非局部相似图像块估计分块图像子带系数的均值和标准差,然后对分块图像的子带系数进行去均值后基于标准差归一化,最后利用图像块归一化子带系数的₁l范数规则化压缩感知重构。由于基于归一化的稀疏表示更加合理地表达了稀疏系数的重要性,因此使得重构图像能够更好地保留纹理、边缘等细节信息。（2）提出了一种基于结构组子带自适应稀疏表示的图像压缩感知重构方法。由于自然图像大量存在的结构相似性,因此带来图像相似块组成的数据块组具有良好的结构稀疏性。结合子带系数归一化技术,提出了一种利用自适应归一化图像块组结构稀疏表示的压缩感知重构模型。这里首先根据相似图像块组得到数据块组子带系数的均值和标准差估计,然后将其用于对相似图像块组的子带系数进行去均值归一化,最后利用归一化的结构组子带系数的₁l范数规则化压缩感知重构。由于结构稀疏表示能够更有效提升稀疏表达能力,图像的重构质量也能得到更好的改善。采用客观标准和主观视觉感受进行重构图像质量评价,大量实验结果验证了本文算法在提升压缩感知图像重构质量的有效性。