随着科学技术的进步,视频监控技术应用的领域已经扩展到人们生活的方方面面。由于成像器材或硬件的限制,在恶劣条件下获取的视频监控图像往往会含有噪声并且分辨率较低,所以通过软件算法对低质图像的处理来获取高质图像成为人们研究和关注的重点。压缩感知理论利用信号可稀疏表示的特性,通过少量的观测信号即可高概率的重构原始信号,在图像处理领域具有广阔的应用前景。本文将压缩感知理论应用于视频监控图像的去噪与超分辨率中,以期解决获取视频监控图像低质的问题。本文对压缩感知理论的关键技术展开研究,在稀疏表示阶段分析了字典构造的原理,在信号重构阶段重点研究了OMP、ROMP、CoSaMP、StOMP、SAMP几种代表性的贪婪迭代重构算法,并通过Matlab仿真实验进行了性能对比,为后续算法的改进奠定了基础。本文针对含噪图像提出了一种压缩感知框架下的改进K-SVD去噪算法。首先将输入原始含噪图像的高低频部分分开处理,对图像的高频部分使用基于残差比阈值的Batch-OMP算法替换OMP算法进行稀疏表示与重构,然后将图像的高低频部分叠加完成去噪。本文将改进的算法应用于视频图像的去噪中,并对其中包含人脸的图像进行识别。相较于原始图像的识别结果,本文算法对视频图像去噪后的识别率更高,更好地保留了图像的细节信息,并且去噪时间明显缩短。此外,本文还针对低分辨率的图像提出了一种结合压缩感知理论和图像结构自相似性的改进图像超分辨率算法。算法使用标准欧式距离取代欧式距离作为相似块的度量标准,并作为先验知识加入到K-SVD字典训练学习中去。将改进的算法应用于交通视频图像超分辨重构,并进行车牌识别对比实验。实验结果表明,本文改进算法获得了较好的超分辨率重构效果,识别率得到提高。