随着信息时代的到来,人们对信息量的需求与日俱增。而传统的奈奎斯特采样定理要求信号的采样率不低于信号带宽的两倍,这无疑给信号的处理能力提出了更高的要求。压缩感知理论(Compressed Sensing, CS)是近几年来信息处理领域的一大变革。它指出若信号在某个正交基或紧框架下是可压缩的,那么就可以以远低于奈奎斯特定理所要求的采样率进行采样,并准确重构出所需要的信号。目前,压缩感知理论在压缩成像系统、模拟/信息转换、生物传感等领域都有着广阔的前景。本文主要研究的是图像的压缩感知重构问题,在免疫优化算法框架下,提出一种基于交替学习和免疫优化的压缩感知图像重构框架。论文创新的内容包括以下几个方面：1.本文提出了一种稀疏系数的位置和稀疏系数的值交替学习的思想,不仅关注的是如何确定稀疏系数的位置,而且在该位置信息的指导下去求解稀疏系数值,建立了基于滤波算子和交替优化的压缩感知图像重构框架。该框架能够较为准确地定位小波域中大系数的位置,并重构其系数值,从而恢复出视觉效果好误差小的图像。2.本文把自适应滤波作为一种免疫优化算子引入在免疫优化框架中。该算子能够准确地捕获图像的细节部分,尤其是纹理和边缘区域,从而改善了图像的重构质量。3.本文把凸集投影的思想应用在小波域中,并将其作为一种算子引入免疫优化算法中,使得每一代进化的结果都是问题的解集附近的解,提高了算法的求解性能。最后,在Matlab软件中对本文提出的重构算法进行了仿真。仿真实验证明了算法的有效性,为后续的压缩感知重构算法的研究提供了新的思路和启示。实验结果表明本文的重构算法无论是在图像的视觉效果上还是在数值误差上都要优于对比算法。