本论文利用压缩感知(Compressed Sensing,CS)将信号采样与压缩的过程相结合,并利用恢复算法获得超过硬件相机分辨率指标的高分辨率图像。压缩感知利用目标的稀疏特性,以远小于奈奎斯特采样定理的数据量对图像进行采集记录。传统的压缩感知使用单像素相机采集数据,但是会遇到采集时间长,恢复过程数据量庞大导致内存占用率高及恢复时间长等问题。为了解决以上问题,本论文采用分块式压缩成像(Block Compressed Imaging,BCI),用阵列相机代替单像素相机,减少了采样次数,同时以小块恢复目标以降低数据量从而减少内存占用并缩短恢复时间。然而随着分辨率的提升,恢复算法的恢复速度成为限制压缩感知成像速度的主要因素。为了使成像速度更快,除优化算法本身的结构外,本论文使用GPU并行计算对算法进行加速。本文首先研究了分块式压缩成像的原理方法,包括信号的稀疏表示、测量矩阵的构造以及恢复算法,着重研究了四种恢复算法的具体实现步骤并通过仿真实验观察恢复效果,同时对算法内影响最终恢复效果的因素作了详尽的分析。其次,本文设计并搭建了压缩成像实验平台,以DMD加载观测矩阵实现图像调制并以CCD相机接收调制后的图像完成分块式压缩成像的数据采集过程,然后使用四种恢复算法恢复图像。最后,针对分块式压缩成像恢复算法运行速度慢的问题,本文使用GPU并行计算技术对恢复算法实现了两个层次的加速,一是矩阵运算的并行加速,二是各块之间的并行加速。经过加速后的算法在计算高分辨率图像时所用时间明显减少。