传统图像压缩技术受奈奎斯特采样定理限制，对存储空间和数据处理能力要求高，且硬件实现困难。而压缩感知理论突破了传统采样定理的瓶颈，允许同时采样和压缩数据，可弥补图像压缩技术的缺陷。因此本文在研究国内外最新研究成果的基础上，针对基于压缩感知理论的图像压缩算法进行了以下探索研究。首先，为了比较MLD字典和KSVD字典对图像的稀疏表示能力，本文利用Berkeley图像库中10万个图像块分别训练了四种不同尺寸的冗余字典，并计算了在不同稀疏度下，其对测试图像的稀疏表示误差。其次，为了提高图像重构精度，改善纹理区域视觉效果，本文将压缩感知理论与图像压缩相结合，并提出了一种新的采样方法：在编码端对图像高频部分边缘点进行密集采样，对非边缘部分进行随机抽样，取代了传统压缩感知理论中直接使用测量矩阵获得低维观测值的过程。在解码端则利用采样点位置信息自适应构造块测量矩阵，并使用光滑l0范数重构算法实现重叠块重构，最终将其与图像低频部分下采样点插值放大结果合并实现高精度重构。最后，为了进一步提高图像的压缩比，本文提出了一种新的图像块分类方法，即通过边缘检测算子对图像块进行分类，并对不同种类图像块变采样率采样。同时借助上述图像块分类方法训练分类稀疏表示字典，并构造与字典和采样率匹配的优化测量矩阵分别低维投影各类别图像块，在解码端使用光滑l0范数重构算法获取高精度重构图像。