本文首先介绍了压缩感知理论框架,着重回顾了压缩感知重构算法的研究和应用现状,针对其本质是l0范数问题,将对直线边缘稀疏表示性能好的脊波(Ridgelet)冗余字典和遗传进化(Genetic Algrthm,GA)算法融入到压缩感知重构框架中,提出并实验仿真了基于Ridgelet冗余字典和遗传进化的压缩感知重构方法。首先,建立了基于分块的Ridgelet冗余字典的压缩感知重构框架,其次,针对问题实际情况,详细设计了GA的编解码方式、适应度函数和遗传算子,最后,提出了三种不同形式的遗传进化的压缩感知重构方法,分别为单个测量遗传进化、相似测量共同遗传进化和两者结合的重构方法。单个测量遗传进化重构方法是将遗传进化算法简单地融入重构问题,仿真实验数据证明了遗传进化算法确实能够较好解决此类问题,进化到一定代数后,该方法能够超越正交匹配追踪方法的重构结果。相似测量共同遗传进化重构方法是受图像存在非局部自相似特性的启发,实验数据分析得知经过高斯随机观测的向量间也存在相似性,为此,我们借助仿射传播聚类算法得到相似测量分组,重新定义适应度函数,仿真实验数据表明,与前一种算法进行对比,本方法由于充分利用了相似子块之间的约束,因此在进化初期就能有效地抑制子块学误的现象,减少了进化代数,同时又提高了重构效果。综合分析前两种重构方法的数据和重构效果,结合相似测量共同遗传进化突出的共性化和单个测量遗传进化强调的个性化优势,提出了两者结合的遗传进化重构方法,且充分利用每一代进化后中间输出图像信息,新增加了滤波器和凸集投影两种操作,进一步提升重构图像的质量,且用稀疏度变化的正交匹配追踪来自适应子块的稀疏度,然后更新下一代进化的种群,对比实验结果表明该重构方法是可行和有效的。