压缩感知理论突破了传统奈奎斯特采样定理对采样率的约束，该理论认为信号在具备稀疏性的条件下，可低于奈奎斯特采样率实现对信号的压缩感知。压缩感知成像在医学成像和遥感成像等领域具有广泛的应用前景，压缩感知成像的高质量重构已成为当前图像处理领域关注的热点问题。　　寻找信号的最稀疏表示是实现信号压缩感知精确重构的关键。自然图像信号普遍具有良好的非局部相似性，如何充分利用图像信号的非局部相似性得到图像的更好稀疏表示，从而达到图像信号压缩感知的高质量重构，近年来引起了许多相关研究者的极大兴趣。　　围绕图像非局部稀疏先验约束的压缩感知高效重构，本文在深入分析基于结构化组稀疏表示的图像压缩感知重构框架的基础上，分别开展了一种基于自适应阈值滤波的结构化组稀疏图像压缩感知重构方法研究，以及一种基于加权结构组稀疏表示的图像压缩感知重构方法研究。主要研究工作包括：　　（1）自适应阈值滤波的结构化组稀疏图像压缩感知重构研究。基于结构化组稀疏表示的图像压缩感知重构方法大多通过对非局部相似图像块组成的二维结构化组进行滤波处理以实现图像的更好稀疏表达，从而有效提升了图像重构质量。论文针对原有方法中固定阈值选取的不足，提出通过估计近似图像存在的噪声强度，从而实现一种自适应阈值滤波处理，有效改善了图像重构质量。大量实验结果验证了改进方法的有效性。　　（2）加权结构化组稀疏表示的图像压缩感知重构研究。论文进一步针对传统结构化组稀疏表示的图像压缩感知重构方法因为采用结构化组稀疏表示的l0范数约束优化，以及由此利用奇异值硬阈值稀疏表达图像会带来图像细节损失严重的问题，提出了一种基于加权结构化组稀疏表示的l1范数约束优化，并通过自适应奇异值软阈值稀疏表达图像，从而有效改进图像重构性能的图像压缩感知重构的方法。实验结果验证了，在采用峰值信噪比和结构相似度评价的基础上，本文方法比较同类方法有良好的重构性能提升。