图像数据的不断增加,对存储资源和带宽资源提出了更高的要求。压缩感知是一种可以突破奈奎斯特采样定理的新型采样方式,为数据的采集和存储提供了新的方向和思路,但采样数量的降低并不意味着存储空间减少。本文主要从采样率和比特率两个角度对图像压缩感知重建进行研究,作为采样方式的对比,还研究了基于图像内容的空间域自适应采样和重建算法。首先从采样率的角度对图像压缩感知重建算法进行研究,提出了一种联合图像先验的压缩感知重建算法。压缩感知初始退化图像核范数会明显增大,在基于稀疏表示的压缩感知重建模型基础上,引入图像降噪中基于非局部低秩的带权核范数最小化模型,借助于局部图像块的稀疏特性和非局部低秩特性,提出了联合图像先验的压缩感知重建算法。通过交替更新变量将联合先验模型分为多个子问题进行求解,实验结果验证了模型的有效性。空间域采样是一种经典的图像采样方式,但均匀采样在平坦区域采样冗余,细节区域采样不足。本文通过图像纹理边缘分析,提出了一种空间域自适应采样方案,利用迭代近邻插值和自适应滤波重建采样图像。在此基础上,提出基于联合先验的自适应采样重建模型,进一步提升图像的重建质量。现阶段对于压缩感知的研究集中于从采样率的角度考虑图像重建,而从数据存储角度考虑,采样维度的降低并不能带来实际存储效率的提高,因此本文从比特率的角度对压缩感知进行了研究。首先对压缩感知量化编码进行分析,对观测矩阵、量化方案和重建算法进行讨论。在此基础上,设计压缩感知量化编码结构,利用压缩感知部分观测值之间存在的隐性相关性对测量值进行预测,提出了分组渐进预测的压缩感知图像编码结构,提升了率失真性能。