压缩感知（Compressed Sensing，即CS）是信号与信息处理领域新兴的一种信号采集处理方法，其在保证重构信号质量的前提下，用远低于Nyquist定理的采样速率对信号进行取样，大大减少了信号采样的数据量，CS理论基于信号的内容与结构对信号进行压缩并高概率重构得到原始信号，不再依赖于信号的带宽，是对传统采样定理的挑战，开辟了全新的领域，激发了广大科技工作者的探索热情。本研究参阅了大量国内外相关的研究成果，对各类基于CS的图像重构和编码算法做了仔细深入的研究。根据图像信号的稀疏度和帧间残差，提出了基于CS理论的分块图像处理算法和图像序列编码算法。一幅图像的不同部分的稀疏程度各不相同，如果采用高速固定的采样速率，不仅采样数据量会很大，也容易带来资源的浪费。而低采样率虽然能够减少采集的数据量，但是重构信号的质量很差，失真较大。本文提出一种基于CS理论的改进的图像分块自适应编码算法，这种方法首先判断出图像各小块在DWT变换域的稀疏程度，根据稀疏度的大小判断图像各块的采样率，对高稀疏度的部分做地采样，对稀疏度差的块作高采样，以达到用较低的采样率获得较高重构图像质量的目的，仿真结果表明，这种改进的方法，其对峰值信噪比的提升可以达到33%。处理图像序列信号的编码时，基于各相邻帧之间存在的冗余信息，本文从相邻帧之间的残差信号角度考量，改进了一种针对帧间残差信号的图像自适应编码算法，该方法尤其适用于运动缓慢或者场景变动不大的图像序列，实验表明：能够在保证信号重构质量的前提下最大程度的降低采样数据量。