作为一种物联网感知客观世界的技术手段，无线多媒体传感器网络（WirelessMultimedia Sensor Networks，WMSN）被广泛应用于区域内大范围的网络监控、工业控制等领域。然而，WMSN监测场景复杂，利用单一类型的视频传感器采集图像可能会丢失重要的信息。此外，WMSN网络能量受限，所采集的数据量巨大，需要消耗大量的网络能量，极大地缩短了WMSN网络的生命周期。因此，迫切需要研究低采样率的图像融合方法以保障WMSN监测系统的可靠性和有效性。因此，本文借鉴压缩感知和图像融合理论，深入研究了WMSN监测图像的内在特征，并设计了一种基于分类的WMSN压缩感知图像融合算法。本算法首先对WMSN监测图像进行稀疏表示，并利用高斯随机矩阵对稀疏系数进行了投影，将所得到的观测值用于计算源图像的数据相似度，再根据数据相似度对源图像进行分类，最后借助所设计的融合规则对观测值进行融合，并根据所获得的融合系数进行重构，据此得到最终的融合图像。实验结果表明：该算法可以对输入的源图像进行准确地分类，且图像的分类融合质量较高。然而，WMSN监测图像含有丰富的边缘、纹理等细节信息，利用单一的稀疏基对图像进行稀疏表示往往会不利于图像细节信息的保留。借鉴形态学成分分析思想，本文提出了一种基于形态学成分分析的WMSN图像融合方法。首先，利用显著性检测方式提取红外图像的显著性区域，并利用Curvelet基对显著性区域进行稀疏表示；然后，利用离散小波基以及DCT变换将可见光图像稀疏分解成光滑成分和纹理成分，并得到光滑成分与纹理成分的稀疏系数；最后，利用所得到的稀疏系数重构出图像的各形态成分，并将其融合得到融合图像。仿真结果证明：该算法可以对图像的各形态成分进行有效地分离，并在得到较好的融合效果的同时减少了图像数据的传输量，从而提升了WMSN视频监测的可靠性和有效性。