压缩感知(Compressed Sensing, CS)理论以远低于Nyquist采样定理要求的采样速率对信号采样,依然可以从采样值中精确地恢复原始信号,从而减小了编码端的复杂度。本文在对压缩感知理论研究的基础上,将该理论应用在分布式视频编码(Distributed Video Coding, DVC)中。本文首先研究了压缩感知理论,并通过仿真对比了几种具有代表性的重构算法的性能。针对小波变换在对图像稀疏表示时存在的不足,本文将Contourlet变换作为图像的稀疏基,并通过仿真验证了尖锐频率局部化Contourlet变换(SFLCT)在图像稀疏表示时相对于小波变换的优势。对分布式压缩感知(Distributed Compressed Sensing, DCS)理论及其联合稀疏模型(Joint Sparsity Mode, JSM)进行了分析研究,仿真验证了其利用多个信号之间的相关性进行联合重构时,使用比传统压缩感知更少的测量值就能精确恢复原始信号。压缩感知可降低编码端复杂度的特点与分布式视频编码相一致,因此,本文研究了基于压缩感知的分布式视频编码,也就是分布式压缩视频感知(Distributed Compressed Video Sensing, DCVS)。针对已有的基于JSM-1模型的DCVS方案在处理运动剧烈的视频信号时存在的不足,本文提出基于稀疏滤波器相关性模型(Sparse Filter Correlation Model, SFCM)的DCVS方案。仿真结果表明,本文提出的方案对运动剧烈和运动缓慢的视频信号均有较高的重构质量。最后,将SFLCT代替小波变换作为图像稀疏基用在本文的DCVS方案中,进一步提高了视频重构质量。