随着信息社会的高速发展,传统的奈奎斯特采样定律指导的信息处理面临着两大挑战:高速模数转换器A/D的设计和海量数据的处理与存储。作为一种新型的信号采样理论,压缩感知(Compressive Sensing,CS)理论利用信号的稀疏性或可压缩性,通过对信号全局进行非自适应的线性组合,以低于奈奎斯特定律要求的采样频率获取信号的全部信息。压缩感知采样仅利用少量的采集数据和重构算法就可以近似精确地恢复出原始信号。压缩感知成像(Compressive Imaging,CI)作为CS理论在成像领域中的应用,对比与现有的成像技术,它仅使用单个点探测器以及较低的采样频率,可以显著节省感光元件的数量、降低对硬件性能的要求以及系统复杂度。基于自然图像的稀疏性,CI技术通过多次采集待测图像信息,以少量的采集数据就可以近似精确地恢复图像。图像的重要信息更多地集中在有限的目标物体区域,其在图像中的比例往往不超过图像整体的百分之三十,而背景部分包含的信息较少,通常并没有高分辨率成像的要求。从本质上讲,CI是一种计算成像,其恢复的图像分辨率越高,则测量次数越多和图像恢复的时间越长。然而,现有的CI方法不加区分地在待测图像的背景和目标物体区域采用相同的测量精度,对目标物体进行高分辨测量的同时对背景部分也进行了高分辨测量。因此,这种成像方法在背景区域浪费了大量计算资源,降低了成像的效率。与此同时,待测图像信息在压缩感知成像过程中很容易受到外界光强变化的影响,导致图像质量变差,甚至图像信息被噪声掩盖。针对上述压缩感知成像方法存在的问题,我们提出了一种基于先验知识引导的压缩感知成像方法。这种方法首先采用低分辨对待测图像进行压缩感知成像,通过视觉显著性检测方法获取低分辨率图像中目标物体和背景的分布情况,并以此作为先验知识。然后,仅对目标物体所在区域进行迭代压缩感知成像至达到系统最高测量精度。对每一次迭代成像的结果利用视觉显著性检测方法获取更加精确的目标物体位置及大小,同时减少了目标物体区域中包含的背景信息。最后,将高精度的目标物体图像融合到低精度测量结果构成的背景图像中,便得到最终的待测图像。当受到外界光强变化干扰时,利用对待测图像总光强的测量结果,可以在一定程度上消除CI过程中测量数据与理想测量结果之间的偏差。仿真结果表明:在目标物体大小占图像整体的10%～15%情况下,其测量次数为现有压缩感知成像方法测量次数的20%～30%;通过对待测图像总光强跟踪的方法可以提高图像恢复的精度。基于以上研究,本文的研究工作可以在现有的CI方法上提高成像效率和图像精度。