传统的信号采样必须遵循香农采样定理,产生的大量数据会造成存储空间的浪费,同时人们对信息量的巨量需求造成了信号采样、传输和存储的巨大压力。如何缓解这种压力同时有效提取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。而近年出现的压缩感知理论(Compressive Sensing, CS)为缓解这些压力提供了解决方法。压缩感知提出了一种新的采样理论,它己经被证明采用低于奈奎斯特速率进行采样的信号、图像和其他类型数据的重建是可行的。在压缩感知的基础上,分布式压缩感知(Distributed Compressive Sensing, DCS)则利用多个信号之间的相关性降低采样率实现进一步的压缩。随着网络规模的扩大,人们对分布式信息处理技术等先进技术的需求越来越迫切,因此分布式网络中压缩感知的应用研究具有非常广泛的前景,它也逐步进入到实用领域中。本文回顾了压缩感知理论的发展历程,针对其中的信号稀疏变换、观测矩阵设计和重构算法等关键技术给出了详细的说明。在分布式场景下,结合编译码的特点进行分析,阐明了DCS中相关性建模的重要性,以及信号重建算法的特殊性。尤其对于分布式场景中视频／图像信号,利用信号之间的相关性,基于稀疏滤波器的相关性模型(Sparse Filter Correlation Model, SFCM)给出了分布式压缩视频感知(Distributed Compressed Video Sensing, DCVS)的基本结构并设计出具体的编码优化算法。仿真实验验证了本文提出的改进方案的可行性。仿真结果显示该机制可以减少视频数据的测量值的数目,这就意味着该方案有着更高的信源压缩率和更高的存储效率。因此,可以得出以下结论,本文在分布式压缩视频感知框架下基于相关性模型所提出的具体的译码算法具有一定的优越性,对于DCVS的实际应用具有很好的可行性。