无线多媒体传感器网络（Wireless Multimedia Sensor Networks，WMSN）是一种具有计算能力、存储能力和通信能力的分布式感知网络，通常部署在无人值守的环境中，可以自主完成监测任务，在交通、军事、工业领域得到广泛应用。其主要的信息载体是音频、视频以及静态图像等多媒体信息。因为WMSN具有信息丰富、数据量大等特点，传统的信息处理技术难以完成对其进行传输和存储任务。压缩感知（Compressed Sensing，CS）是一种全新的压缩采样方式，能够由少量测量值精确重构出原信号，其突破了Nyquist采样定理受信号带宽的约束，采样速率仅仅依赖于信号的结构和内容。CS理论在WMSN中的应用在一定程度上缓解了WMSN的压力。同时，在CS理论的基础上，分块压缩感知（Block Compressed Sensing，BCS）进一步解决了计算复杂度和存储空间占用等问题，而信息重构又是BCS的最关键部分。据此，本文在BCS的框架下，深入分析了WMSN视频监测图像的特点，提出了一种WMSN视频图像重构模型。主要研究工作如下：首先，通过深入分析WMSN单帧静态图像的纹理结构特点，并根据每个图像块的复杂程度，提出了一种基于图像块能量的自适应采样方法；以此为基础，在解码端，引入了排列加权矩阵，以构建原始图像的观测矩阵，并提出了一种改进的迭代收缩阈值（Iterative Shrinkage Thresholding，IST）重构算法。其次，通过深入分析WMSN视频图像的冗余特点，结合视频图像在像素域和变换域的统计信息特征，提出了一种基于图像块统计信息的自适应采样方法，并在平滑投影Landweber（Smoothed Projected Landweber，SPL）算法的基础上，提出了一种改进的半迭代SPL重构算法。最后，在深入分析WMSN视频图像的冗余特征及变换特征的基础上，重点研究了双树复数小波变换（Double Tree Complex Wavelet Transform，DT-CWT）方法以及图像的非局部相似性特点，并将所得图像的结构稀疏性正则项和非局部相似性正则项相结合，构建了一种新的WMSN视频图像重构模型；以此模型为基础，并根据WMSN视频图像边缘、纹理等结构信息，提出了一种改进的迭代硬阈值（Iterative Hard Thresholding，IHT）算法。仿真实验结果表明，该方法能够精确重构出原始WMSN视频图像。