压缩感知(Compressed sensing,CS)理论为信号处理带来了革命性的突破,它可以同时实现信号的采样与压缩。图像压缩感知重构可以看作是从低分辨的观测图像中重构出原始的高分辨率图像的逆问题,图像的重建问题近年来被广泛的应用到了视频监控、卫星定位、生物医疗影像等各个方面。虽然压缩传感方式通过观测降维的方式将原始信号映射到较低的维度上,在一定程度上减少了信号观测的次数和计算量,由于所用观测矩阵中的所有值都非零,尤其是大场景图像重构当中,因为数据量较大直接观测需要消耗较大的存储空间以及计算度,庞大的计算量以及观测矩阵造成硬压力过大,所以一些基于分块的思想出现在CS重构之中,对图像分块处理,相对于计算整个图像来得到估计值,逐块的估计更容易实现,但是在重构过程中,不论利用各种重构算法,图像块与块之间的重构往往缺乏连续性,在实际应用中,面对一些结构信息较为丰富的图像,往往会产生结构的不联系与块效应,因而导致重构效果受到影响。在基于分块CS重构的框架下,本文在图像恢复的过程中引入图像中局部与非局部结构的思想,考虑到了图像的局部结构特征与非局部的约束以及像素点之间的相似性,主要研究了基于图像的压缩感知重构方法,所做主要工作如下：(1)研究了凸集投影方法和非局部均值方法,提出一种基于非局部特征与凸集投影的压缩感知图像重构方法。该方法在分块CS重构模型中加入局部投影像素估计并利用每个重构图像块在局部邻域内满足局部结构的相似性,加入非局部约束项,不仅能更好的保留图像中的特征,而且取得较好的视觉效果。(2)研究了自适应回归在图像重构中的具体过程,提出一种自适应核回归的压缩感知图像重构方法。首先通过分块CS重构方法,得到初始重构图像,考虑到同一图像块中像素的结构相似性,以及不同图像块中图像块的结构完整性。将自适应核回归方法应用于初始重构图像中,同时在重构过程中加入非局部均值思想,利用邻域像素点加权更新图像块内的像素。通过一种迭代更新交替求解的方法,得到重构图像。自适应核回归CS重构方法同时考虑了图像块中以及图像块之间的结构相似性,另外,自适应核能够较好的逼近图像的边缘信息,保持图像特征的完整性,有效的去处块效应,因此可以进一步提高图像的重构质量。(3)研究了图像块匹配滤波估计的基本思想,提出一种基于TV模型的CS重构方法。假设每个重构图像块在局部邻域内满足局部结构的相似性,在传统CS重构的代价函数中加入相似性约束,并利用一种投影迭代方法对重构图像进行全局更新,因为利用了分块CS重构和全局优化重构的思想,使重构方法具有较高的效率,全局优化有利于图像的特征保持较好的完整性和连续性,在数字指标和视觉效果上都有一定的提高。本文的工作得到了国家自然科学基金(61072108,60601029,60971112,61173090),新世纪优秀人才项目,高等学校学科创新引智计划(111计划)：No.B0704和中央高校基本科研业务费(JY10000902041)的资助。