随着多媒体技术的发展和移动数码设备的普及，图像渐渐地成为了人们获取信息和传播信息的主要载体。目前大部分数字图像的采集方式都是基于以香农-那奎斯特采样定理为基础的信息获取框架，而2006年提出的压缩感知理论，能够以远低于香农-那奎斯特采样定理要求的采样率来对稀疏信号进行采样。作为一套新的数字信号采集理论，压缩感知极大地丰富了信号采集和处理理论，为相关领域的研究和应用提供了新思路、新方法，具有广阔的研究和应用前景。　　本文针对高分辨率压缩感知图像采集与重构中存在的内存需求大，重建速度慢，重建质量低等关键问题开展研究，取得如下研究成果:　　1.提出了一种逐点式的哈达玛矩阵生成方法。深入地分析哈达玛矩阵的递推式结构，并根据该结构提出了一种可以计算出矩阵任意位置元素值的方法，通过该方法可以大大降低了测量矩阵生成的空间复杂度。　　2.实现了TVAL3算法的GPU并行化。TVAL3是经典的图像重构算法，我们根据算法特性将算法中的计算任务分解为一系列的并行子任务，并通过CUDA实现并行子任务的计算。实验表明，与传统的CPU串行计算相比，GPU并行化的重构速度提高了100多倍。　　3.提出了基于TV/3D稀疏和秩极小化的压缩感知图像重构算法。在图像的非局部低秩性基础上，分别引入全变分(TV)稀疏模型和3D稀疏模型，构建了基于TV和秩极小化的重构算法（TVAL3-NLR-CS）和基于3D稀疏和秩极小化的重构算法(BM3D-NLR-CS)。实验表明，在低采样率下，TVAL3-NLR-CS、BM3D-NLR-CS算法的重构图像PSNR值比TVAL3、BM3D-CS或Basic-NLR-CS等算法提高2-10dB。　　4.基于上述工作，实现了基于压缩感知的高分辨率图像采集与重构系统。该系统可以实现高分辨率图像的采集重构。