伴随信息技术的迅猛发展,对数据的处理、存储和传输成为了学者研究的热点。压缩感知技术突破了经典香农定理采样的瓶颈,给信息获取指明了新的方向。但是现今信号量逐步加大,给压缩感知算法存储和计算带来很大的负担。同时,实际中信号信息量都是不均匀分布的,传统压缩感知方法中没有将信号特征考虑在内,这为后续压缩感知研究带来很大的改进空间。本文主要研究分块压缩感知方法在不同领域的应用。图像领域,在以往均匀分块方法基础上提出聚类分块算法,根据图像特征信息来优化分块和采样率分配。传感器网络领域,在随机游走机制中引入分块压缩感知的思想,优化了采样结果。论文主要工作如下:(1)提出基于显著性的图像聚类分块压缩采样方法。该方法预获取图像的显著性信息,根据图像显著性值,对均匀分块的子块进行分割,将特征相似的部分聚集在一起,然后根据区域的显著值权重来自适应分配采样率。实验结果表明,本文提出的基于显著性的图像聚类分块压缩采样方法在相同采样值的前提下,提高了图像的重构质量,同时使得图像重要部分恢复的更好,子块之间的误差缩小,视觉上更为优质。(2)提出基于起点分块的传感器网络随机游走采样方法。该方法在传感器网络中数据随机游走采样的算法基础上,预采样得到信号的稀疏分布或信息熵,然后将网络分块,计算网络子块信号特征权重。根据子块特征权重来分配随机游走路线的起点,使得重要区域节点数据被多采样,非重要区域节点消耗少量采样次数。通过优化随机游走路线初始点的选择,达到优化采样结果、提高了重构效果的结果。实验结果表明,经过初始点选择优化的本算法在平均重构质量上要由于原始随机游走,且在相同条件下若干次游走结果方差也小于原始随机游走方法,说明本文方法更好更稳定。