随着数字信息时代的到来以及多媒体技术的发展,人们使用的图像数据量日益增加,图像表示方法的研究受到了人们的广泛关注。图像表示方法是图像在计算机上的表示和存储方式,对图像部分像素点进行有效利用能够节约一幅图像表示所需要的存储空间,并提高图像处理的速度。图像采样技术可以收集像素点信息,因此图像采样技术使得大量图像数据的提取成为可能。传统三角网格采样方法利用生成三角网格的方式对图像进行稀疏采样从而获得最优采样点集,但其缺点是由采样点生成的三角网格会形成凸包,对图像的一些关键内容不能准确获取,从而影响图像的恢复质量。随机游走采样方法则简单直接且能关注到图像的局部信息,但也有很明显的缺点是随机游走采样方法不保证图像恢复的质量且容易发生过采样或少采样的情况。为此,本文提出了一种基于强化学习的图像采样算法,智能体与环境进行交互,利用经验知识进行训练不断更新智能体策略从而获得最优策略。实验结果表明,本文提出的算法不仅能有效对图像进行采样,而且能够保证一定的图像恢复质量。本文主要研究内容包含以下两点:（1）在现有图像采样方法研究的基础上,针对传统图像采样方法存在的问题,本文将图像采样与强化学习结合起来,提出了一种新的图像采样算法。该算法进行图像采样时,强化学习中的智能体通过“试错”的方式对采样子集进行训练搜索,利用图像恢复模型对采样子集的评估反馈即时调整智能体的采样策略,最终智能体选取获得最大收益的动作序列作为最优策略,依据最优策略得到图像采样的结果。实验表明,该算法不仅能对图像进行有效采样,而且能够保证一定的图像恢复质量。（2）通过对比实验,验证了本文提出的基于强化学习图像采样算法的可行性和有效性,但较之传统图像采样方法,还存在对图像纹理丰富地方采样少的问题,这对图像恢复的质量造成了一定影响。针对这个问题我们在原有算法上进行了改进,引入了梯度算子和最远点采样算法相关理论知识。实验表明,改进算法相比原算法和传统算法有较高的图像恢复质量。