信号采样是联系模拟信源和数字信息的桥梁。人们对信息的巨量需求造成了信号采样、传输和存储的巨大压力。如何缓解这种压力又能有效提取承载在信号中的有用信息是信号与信息处理中急需解决的问题之一。近年国际上出现的压缩感知理论(Compressed Sensing, CS)为缓解这些压力提供了解决方法。本文的工作旨在基于对压缩感知理论的分析研究,实现分布式视频编解码和图像超分辨率重建。针对分布式编码要求编码端复杂度低的特点,本文结合压缩感知理论及传统视频编解码技术,提出了基于压缩感知的分布式视频编解码：编码过程将高维信号投影到低维空间；解码过程不再是传统方式下的编码逆过程,而是通过建立联合稀疏模型,求解欠定方程组。该编解码器结构比较简单,不仅所需图像的样本数很少,样本数可根据不同的编码模式进行选择。实验结果表明,通过引入自适应的编码机制,本方法优化了RD性能,而且无需反馈信道即实现了接近于传统帧间编码性能的重建。另外,将压缩感知理论应用于图像超分辨率重建,使得重建高分辨率图像可以充分挖掘原始低分辨率图像的结构性特点,从而保护原始低分辨率图像边缘等细节信息。其中借助稀疏信号表示理论,将其引入局部几何相似性模型建立局部几何相似性的稀疏表示,即得到稀疏几何相似性模型。并在图像的稀疏表示中,通过K-SVD算法构造超完备字典,在自适应更新字典原子的过程中汲取图像全局信息,并融合局部信息,实现了无需借助外部图像库进行边缘保护的高分辨率图像重建。实验结果表明,本方法能够改善高分辨率图像中图像边缘、纹理等细节特征的重建效果。