在过去,传统的奈奎斯特采样定理一直统治着信号处理领域。随着人们对信息需求量的日益增加,信号的带宽越来越宽,在信息获取中对采样速率和处理速度等的要求也越来越高,这无疑给奈奎斯特采样定理带来了极大的挑战。最近几年兴起了一种新颖的信号处理理论“压缩感知”,该理论突破了传统采样定理的瓶颈,引发了信号处理领域的变革,掀起了一股研究热潮。压缩感知是一种新的在采样的同时实现压缩的理论框架,它以远低于奈奎斯特频率进行采样,采用非自适应线性测量来保持信号的原始结构,进而通过求解非线性优化问题来精确地重构原始信号。压缩感知理论包含了三个要素,即稀疏性、非自适应测量、非线性优化重构,其中信号的稀疏性或可压缩性是压缩感知的前提和重要基础,非自适应测量是压缩感知的关键,非线性优化重构是压缩感知重构信号的手段。本文的研究工作主要致力于重构算法的研究,直接从l0范数优化入手,用免疫克隆优化方法求解图像非凸优化重构问题。本文的创新性工作如下：首先,考虑到图像块间的冗余性和相似性,用无监督的仿射传播聚类算法获取解码端所有测量中的相似测量,针对类中相似的测量,设计了合理的亲合度函数,并用免疫克隆优化方法学习类中这些相似测量所对应的图像块在Curvelet冗余字典稀疏表示下的最优公共基原子,从而实现了l。范数意义下的图像重构,仿真实验表明与对单个测量用免疫优化方法学习得到的最优基原子相比,其可以大大地减少学误的概率。其次,避免了压缩感知重构l0范数无约束问题中松驰因子的选择问题。本文将压缩感知重构l。范数无约束问题分为重构误差部分和稀疏度两部分交替优化进行求解,从而避免了对松驰因子的选择,也解决了正交匹配追踪算法中将稀疏度固定的缺陷。最后,对测量来说只研究其共性是不够的,其自身的特性也很重要,因此,本文通过滤波和凸投影操作将这两种优势相结合,将滤波和凸投影操作后的图像作为先验知识注入到进化种群中,从而加速种群朝着最优解的方向搜索,最终重构出了视觉效果好的图像,同时也去除了块效应。仿真实验结果证明了本文算法的有效性,实验数据表明本文的算法在视觉效果和重构峰值信噪比上都要优于某些重构算法。