进入21世纪，伴随着信息技术的迅猛发展，各类视频应用已成为互联网和无线多媒体传输的主要业务。人们对信息获取的速度和质量有了更高的要求，这也意味着系统要具备更强的信号采集和处理能力，传统的数据采集压缩方式需要耗费庞大的存储空间，并且具有极高的计算复杂度。新兴的压缩感知（CS,Compressive Sensing）理论通过充分利用信号的稀疏特性，在信号采样的同时对其进行压缩，有效降低了存储要求，减少了信号处理时间，为海量数据的采样和处理提供了新的途径。在视频压缩感知现有的研究成果中，相关学者已在稀疏基的选择、测量矩阵的构建以及重构算法的设计上进行了大量的研究，但是在提高采样信号获取的效率上，特别是在降低相关测量矩阵的存储要求和简化计算复杂度方面仍需要进一步的探索，另外在重构算法的精确度和收敛速度方面也有待进一步的优化。本文针对上述问题主要做了以下几项研究工作：首先，提出自适应测量率分配方案，根据视频的时间相关性将视频帧内各块划分为静止块与运动块，再根据块分类结果为它们分配不同的测量率，该方案可集中测量特征复杂的视频块，从而避免无用测量，提高测量效率。其次，在视频重构时首先在测量域进行运动估计，再根据运动信息构造出待重构块的稀疏表示字典，该字典中的原子与待重构块相关度高，因此利用它们作多假设预测，可以有效改善CS重构算法性能。最后，在Matlab仿真环境中进行了验证实验。结果表明，所提方法在峰值信噪比(PSNR)、结构性相似度(SSIM)以及重构时间等关键参数上对比其他算法都有一定程度的改善，并且在不同视频序列测试中都有良好的性能表现，在一定程度上优化了重构算法的准确度，提高了重构效率。