压缩感知理论有效地解决了传统基于Nyquist采样定理的信号处理框架在对超大带宽信号采样过程中出现的采样频率的问题。在解码过程中通过重构算法将原始信号从测量数据中重建出来。重构算法计算复杂度过高导致其计算时间太长,严重地制约了压缩感知理论的实际应用。本文围绕着重构计算的并行加速方案,深入的研究了重构算法的并行化加速方法,主要的研究工作如下:(1)针对图像分辨率低的问题,将压缩感知理论引入到图像的超分辨率重建过程中。压缩感知和超分辨率图像重建有相同的本质,都是从低维信号重构高维信号。将原始图像作为测量结果,通过压缩感知重构算法得到的重构结果即是超分辨率图像。图像的重构质量与重构算法的选择有着较大的关系。实验结果表明,压缩感知重构算法在超分辨率图像重构过程中取得较好的效果。(2)针对压缩感知重构算法在进行图像重构过程中出现的计算时间长的问题,提出了采用并行计算的方法来提升计算速度。将图像进行适当的分块处理,采用基于任务的粗粒度并行。针对每一个图像块的重构过程中,分析重构算法的并行化方法,使用基于数据并行的细粒度并行方法。在CUDA平台下,采用了流实现图像重构的粗粒度并行,采用内核函数实现细粒度并行,将两者结合起来实现对图像的重构。实验结果表明,本文提出的并行化方法对压缩感知图像重构计算有着很好的加速效果。(3)针对图像重构过程复杂,同时为了验证图像重构的性能,本文设计了一个压缩感知图像重构系统。该系统实现了压缩感知的观测矩阵、采样和重构三个过程。可以对这三个部分进行独立的操作。在重构部分,为了验证图像重构的效果,可以选择多种设置参数进行实验。本系统有着非常好的人机交互界面,软件用户不需要了解底层原理就可以对软件实现熟练的操作,来进行图像重构实验。在实验过程中,也可以随时查看各个环节的运行情况。