在野外生态环境实时视频感知应用中,无线多媒体传感器网络资源受限,结合了分布式视频编码和压缩感知的分布式视频压缩感知技术为解决上述问题提供了新的思路。本文以提升重构质量、重构效率和用户体验为目标,深入研究分析分布式视频压缩感知。旨在通过研究,探索高质、高效、鲁棒的基于压缩感知的分布式视频处理算法,为分布式视频压缩感知框架走向实际应用提供重要的理论和技术支持。本论文主要工作及创新点如下:1.基于梯度投影稀疏重构（Gradient Projection for Sparse Reconstruction,GPSR）的快速分布式视频压缩感知框架易受不准确的图像组选择算法影响,进而造成视频闪烁。针对这个问题,提出一种基于感知哈希的自适应图像组选择算法。该算法首先提出一种自适应图像组选择算法,利用感知哈希算法度量相邻视频帧的相似性,再进行自适应图像组选择。在此基础上,为进一步提升整体的重构质量,提出一种自适应帧采样率分配算法,首先结合分布式视频压缩感知的特性建立约束优化模型,再通过求解约束优化模型分配帧采样率。实验结果表明,该算法能够有效缓解视频闪烁问题。2.在低采样率的情况下,多假设预测算法的理论条件无法高概率满足,进而造成重构质量不佳。针对这个问题,提出一种基于测量值重组的混合多假设预测重构算法。该算法首先提出一种基于测量值重组的多假设预测重构算法,对边信息块进行采样,再将所采样的测量值与非关键帧块的测量值进行重组,提升多假设预测算法的理论条件的满足概率,最后进行多假设预测和残差重构,得到初始重构结果。在此基础上,为预防不准确的边信息对重构质量的负面影响,提出一种基于再采样的混合多假设预测重构算法,首先同时进行传统的多假设预测重构和基于测量值重组的多假设预测重构得到多种初始重构结果,再对多种初始重构结果进行再采样,通过度量再采样的测量值与原始测量值之间的相似性,自适应地混合多种初始重构结果,得到最终重构结果。实验结果表明,该算法能够有效提高低采样率情况下的重构质量。3.多假设预测算法通常假设与目前块越相似的假设原子应该分配越高的权重,易忽略细节信息。针对这个问题,提出一种基于联合稀疏模型的多假设预测重构算法。该算法提出一种全新的假设,即目标块的多假设预测由共同信息与细节信息两部分组成,其中共同信息由与目标块最相似的假设原子提供,细节信息由其余假设原子提供。基于该假设,所提算法首先提出一种假设原子生成方案,该方案将初始假设原子集划分为针对共同信息和针对细节信息的两类假设原子。在此基础上,针对细节信息部分,提出一种基于欧氏距离的Tikhonov正则化矩阵。实验结果表明,该算法能够有效增强细节信息。4.多假设预测算法易受假设原子的准确性,假设原子的数目和正则化准确性这三种因素影响,鲁棒性较弱。针对这个问题,提出一种基于重加权的迭代多假设预测重构算法。该算法首先提出一种基于重加权Tikhonov正则化的多假设预测重构算法,通过度量每个假设原子的影响力,综合考虑了上述三种因素对于多假设预测算法性能的影响。在此基础上,针对迭代多假设预测重构算法中非关键帧的重构存在的过迭代问题,提出一种基于巴氏系数的停止准则,利用巴氏系数度量非关键帧的残差与相邻关键帧的残差的相似性构建停止准则。实验结果表明,该算法能够有效增强多假设预测算法的鲁棒性。5.针对现有分布式视频压缩感知框架帧内相关性和帧间相关性利用率不高,并且重构效率较低,无法满足实时应用要求的问题,提出一种基于卷积神经网络的联合采样重构网络。所提网络利用深度学习技术构建了一个端到端、可学习的卷积神经网络,在独立编码、联合解码的基础上,实现了“联合编码、联合解码”,在编码端和解码端充分利用了帧间相关性和帧内相关性。实验结果表明,该网络在提升重构质量的同时,具有较高的重构效率。