压缩感知(CS)是一种新颖的信号采集和压缩技术。它突破了传统的奈奎斯特采样定理的要求,引起了学术界和工业界的轰动。在此基础上Lu Gan又提出了分块压缩感知,它把图像在空域中分成小块,对每个小块分别处理,加快了采样与重构的速度,且占用内存更少。本文主要在图像分块压缩感知的基础上做了一些研究,我们在分块压缩感知的框架下,提出了基于显著性的分块压缩感知,对图像分块和重构方法做了一些改进,然后将分块压缩感知应用在传感器网络的数据收集上。本文的研究工作主要包括以下三个方面:(1)提出了基于显著性的分块压缩感知方法(SBCS)。本文提出基于图像信号显著性的自适应分块压缩采样算法,对被测图像进行自适应分块预处理,提取出重要区域,根据显著性参数对被测图像差异性的压缩采样分配,从而有效保证了在图像重要区域分配高采样率,在背景区域则分配较少的采样率,保证了图像重构的效率和质量。同时,分块压缩感知往往会带来一定的块效应,本文提出的改进分块压缩感知方法能够在一定的程度上降低块效应,进一步的提高了重构的质量。(2)提出将分块压缩感知运用于传感器网络的方法(HDABCS)。本文提出了一种分层的网络拓扑结构,将分层的结构与CS结合以提高能量利用率。同时,分块压缩感知是压缩感知中的一种高效方法,该方法观测矩阵小,利于存储,可以节省传感器的计算耗能,对重要数据集分配更多采样率,不重要数据集分配较少采样率可有效提高数据的恢复精度,在相同耗能下拥有更高的重构精度。(3)本文做了大量的实验,从各个角度验证了本文算法的性能。通过实验比较,无论是重构效果还是重构效率及能力消耗,HDABCS的表现优于现有算法。