作为一种新的信号采样理论,压缩感知理论指出:对于具有稀疏性或者可压缩性的信号,我们可以通过远低于香农采样率的测量数据进行精确重构。压缩感知理论一经提出,就受到了学术界和工业界的广泛关注,在信号处理、模式识别、通信、光学/微波成像等领域展现出良好应用前景。设计重构算法实现从少量测量值恢复原始信号是压缩感知理论的核心之一。传统基于稀疏约束的自然图像压缩感知重构主要面临两个问题,一是自然图像具有的非平稳性使得难以寻找其完美的稀疏表示,二是自然图像的采样数据规模通常很大。前者限制了重构算法的重构效率,而后者会使得重构算法的计算复杂度太高。为此,本文着力开展了基于图像非局部稀疏理论,以及基于近似消息传递框架的图像压缩感知重构方法研究,以期在实现大规模图像信号快速重构的同时,能得到重构效率的有效提升。论文的主要工作与贡献如下:(1)研究了一种基于自适应低秩去噪的近似消息传递图像压缩感知重构方法。图像隐含的非局部低秩先验特性已被成功用于去噪等图像恢复应用。针对自然图像具有的非平稳特性以及迭代重构中图像噪声强度变化的问题,构建了一种自适应低秩去噪的近似消息传递图像压缩感知恢复方法。具体根据迭代重构图像的噪声方差估计,自适应地调整分块图像的大小以及相似块组的规模,实现低秩去噪性能的有效提升,从而保证了迭代重构的收敛速度,并同时改善了重构图像的质量。大量实验结果表明:该方法在无噪和有噪观测环境下都具有较好的重构性能,且能够有效地保留图像的纹理细节信息。(2)提出了一种基于高斯混合模型与低秩去噪的近似消息传递压缩感知重构方法。为寻找构造非局部低秩矩阵的相似图像块,通常会采用基于欧氏距离的图像块相似度度量方法,然而该方法却未考虑到图像块之间的结构统计相似性。为此,提出了一种基于高斯混合模型的图像相似块提取方法。具体地,首先利用高斯混合模型学习自然图像块的不同高斯成分的统计概率分布;然后在相似图像块提取过程中根据学习模型的某一高斯成分最佳表示,更准确地寻找更真实相似的图像块。通过采用基于高斯混合模型的图像相似块提取方法,更有效保证了非局部相似块组的良好低秩特性。提出方法最后采用自适应加权奇异值软阈值滤波完成对相似块组的低秩去噪处理,有效地保留了图像的细节信息。通过与多种同类算法进行性能比较仿真,验证了所提方法的有效性。