作为图像处理领域的一个新兴方向,压缩感知理论在过去几年受到众多学者的广泛关注,其中单像素成像作为压缩感知理论的重要应用,因其采用计算摄影的模式,突破了传统成像方式,成为成像领域的热点问题。单像素成像系统需要解决的关键问题是如何有效提高成像系统的成像质量和速度。本文围绕这两个问题,对单像素成像系统中的测量矩阵设计以及信号重构算法进行了深入分析和研究,针对现有方法存在的缺陷进行了改进。具体而言,本文的主要工作包括:(1)基于层次模型与导向先验的测量矩阵生成方法。从测量矩阵与图像信号之间的关系出发,本文提出了以层次模型为基础、以导向先验为约束的单像素成像系统测量矩阵生成方法,提高了单像素成像系统的成像质量和成像速度。首先,通过对不同分辨率图像之间关系的分析,提出层次模型来建立不同分辨率图像信号之间的关系。其次,本文提出基于结构信息与位置信息的导向先验,实现了层次模型层间信息的相互利用。最后,基于上述层次模型与导向先验的方法,对单像素成像系统中的测量矩阵设计方法进行了改进。实验结果表明,改进的基于层次模型与导向先验的单像素成像方法取得了更好的重构结果。(2)基于反馈模型的单像素成像系统测量矩阵生成方法。针对绝大部分稀疏信号的非零项分布存在一定结构特性而非随机分布这一特点,本文提出了一种基于反馈模型的单像素成像系统测量矩阵生成方法,通过发掘已生成测量矩阵序列中的共性来约束新的测量矩阵产生。首先,从概率论角度出发,对压缩感知过程进行了基于贝叶斯方法的分析,得到测量矩阵加速信号重构算法收敛速度的准则。然后,使用稀疏度估计方法提取反馈信息,建立反馈模型来产生新的测量矩阵。实验结果表明,提出的反馈模型缩小了重构信号过程中可行解的搜索范围,加速了求解过程的收敛速度,同时该方法具有良好的鲁棒性。(3)基于空间聚集约束的单像素成像系统视频生成方法。针对帧差信号空间分布特点,本文提出了一种基于空间聚集约束的单像素成像系统视频生成方法。首先,本文建立了通过重构帧差信号来获取新图像帧信号的单像素成像系统视频生成框架,框架的优势在于将图像信号处理转换为图像帧差处理,减少了数据量。然后,通过分析视频连续帧帧差信号,发现帧差具有稀疏特性以及空域聚集特性。最后,本文提出了基于稀疏聚集双重约束的快速帧差信号重构算法。实验结果显示,与目前方法相比,本文提出方法在保证信号重构质量的基础上,加速了信号重构过程。(4)基于深度卷积神经网络的单像素成像系统信号重构方法研究。为了进一步加速重构算法,跳出重构算法需要迭代的模式,本文提出一种基于深度卷积神经网络的信号快速重构方法。同传统迭代方法相比,本文提出方法在保证信号重构质量的基础上,将信号重构时间降低了3到4个数量级,极大提高了信号重构速度。该方法通过构建一个两阶段深度卷积神经网络来进行快速信号重构,同时提出包含特征误差的损失函数来提高图像重构的精确度。实验证明,利用理想数据集训练出来的网络模型不仅能快速重构出高质量信号,还显示了对噪声良好的鲁棒性,同时可以利用该网络模型对彩色图像信号进行重构。