随着电子信息技术的发展,越来越多的新生应用出现在人们的视野中,如监测系统、机器人、医疗成像,以及卫星成像等。以上应用将产生大量记录同一场景但视角不同的图像,即多视点图像。这些多视点图像的数据量巨大,往往会造成网络传输速度慢,终端设备存储空间不足等问题,仅依靠更新硬件性能解决问题将面临巨大的经济投入。压缩感知技术可以显著的降低图像的观测率,有效的解决多视点图像所产生的问题。因此,许多学者提出基于压缩感知的算法来解决多视点图像的问题。但目前仍存在两点问题:重复区域的采样导致采样值的数据量依然很大;多视点图像的重建质量一般,尤其是当采样率较低的情况下,细节重建效果不够精确。针对以上问题,本文提出了两种解决办法:利用图像间的相关性,提出一种结构化观测的模型来解决重复观测的问题;考虑到图像内和图像间的先验知识,提出一种联合重建模型来解决重建质量低的问题。具体如下:第一,针对冗余观测导致数据量大的问题,本文基于图像间相关性提出了一种面向多视点图像的结构化观测模型。首先,根据多视点图像之间的相关性,推倒出结构化的观测模型,并对观测矩阵进行优化;然后,通过该观测模型对多视点图像进行采样。最后,根据结构化观测结果对图像完成初步重建工作。实验表明,本文方法通过结构化观测的方式极大降低了采样率,并能够保证在降低采样率的同时,获得比传统采样更好的重建效果。第二,针对多视点图像重建质量低的问题,本文提出一种面向多视点图像联合重建模型,综合利用图像内和图像间相关性。首先该联合重建方法分为两部分,基于视差补偿的自适应全变分模型和多视点图像非局部低秩张量模型。第一部分提出自适应的动态筛选图像参与重建,而不是直接使用相邻图像;第二部分提出将张量模型与非局部低秩特性相结合,进一步约束重建。然后,根据以上约束建立联合重建模型并提出高效的求解算法。实验表明,相比于主流算法,该模型在细节重建部分具有更高的表现。此外,随着采样率的降低,该模型在主观和客观方面的重建效果均明显优于现有方法。