将无线传感器网络（Wireless Sensor Network,WSN）应用到外界环境监测中,可以让传统的监测系统从有线传输变为无线传输,使得监测系统的布置变得更加灵活。但是,WSN中节点处理能力低下和自身携带电源有限等问题,一直没有行之有效的方法解决,特别是在图像处理与传输方面,这些问题更加严重。研究学者提出的压缩感知（Compressive Sensing,CS）理论,相异于传统的采样定律,只需要很少的数据量便可以精准地重构原始信号。将CS理论应用到传感器节点中,不仅可以减少图像采集和传输的数据量,还可以解决节点处理能力低和能源有限等问题。本文将CS算法引入到WSN中,在外界环境中实现可视化图像监测的功能,并为CS理论在硬件实现和实际工程应用方面提供了新的方向。论文详细地介绍了CS理论的基本原理和实现过程,分析了图像信号常用的三种稀疏变换方法;重点研究了几种常用的测量矩阵及其优缺点,设计了易于硬件实现的结构化随机伯努利测量矩阵,验证了RIP特性,并将此改进矩阵与常用测量矩阵通过MATLAB软件进行仿真对比,仿真结果表明,改进的测量矩阵具有良好的观测性能;研究了贪婪算法中的匹配追踪算法及其改进算法,选取OMP算法作为本文图像信号的重构算法;针对原有的图像压缩感知算法在硬件实现上存在的问题,设计了基于单层小波变换的图像压缩感知算法,并通过MATLAB软件进行分析对比,实验结果表明,改进算法的图像重构质量相对于原有CS算法有所提高。针对传统监测系统存在的问题,并根据低功耗、灵活性的功能需求,设计了新型的以树莓派3B开发板为主板,OV5647图像传感器、n RF24L01通信模块、红外传感器等为外围设备的图像传感器节点,节点间通过n RF24L01模块组建了星型的网络拓扑结构;详细分析了图像CS算法的具体实现过程,通过MATLAB软件中的Simulink编程,将CS算法及其相关控制程序嵌入到传感器节点中,汇聚节点将接收到的图像测量值数据上传至百度云盘,最终形成了一套完整的图像采集、处理和传输的监测系统;最后,将本文搭建的系统置于实验室和实际环境中分别测试,实验结果表明,该系统实现了压缩感知理论与无线传感器网络的结合,能够对闯入监测区域的目标完成图像信息的采集、压缩感知算法的处理及无线传输,当测量率设置为0.6时,在上位机中能够较精确地恢复图像信号。