图像的有效压缩感知依赖于对目标图像进行稀疏表示的合适字典的先验知识,在实际的自然图像重建中往往缺乏这类知识。传统的解决措施为:将现成的过完备字典用于图像重建。这类字典通常是由大量的训练集预先训练好的,但不一定适合所有待重构的图像,且可能产生过度拟合,即模型泛化造成整个图像的损失。为解决压缩感知理论对于信号的先验性要求过高的问题,出现了盲压缩感知理论,即在不需要先验知识的前提下训练字典重构图像。然而这样的方式对字典和稀疏系数的结构要求非常高,且字典稀疏表达的泛化能力差。为解决上述问题,将特征迁移引入字典学习。提出基于迁移学习的在线动态字典学习算法(Online Dynamic Dictionary Migration Learning Algorithm,ODDML)采用样本子集计算目标误差以及梯度,在线调整预学习字典中与目标域相关的原子,删除与目标域不相关的原子,提高字典的稀疏表达效率。ODDML算法采用迁移学习和动态梯度计算策略可减小训练样本数量,提高目标图像的稀疏表达精度。采用交叉验证策略减小动态梯度计算运算量,方便实现字典的在线学习。分析研究交叉验证和字典迁移学习策略对提出的ODDML重构性能的影响,并与其他主流字典学习算法对比在图像重建应用中的性能。实验数值结果表明,基于交叉验证和字典迁移策略的ODDML算法收敛速度更快,重建图像的信噪比和结构相似性都更高。