分布式视频编码(Distributed Video Coding,DVC)是独立编码联合解码的视频编码方法,把计算复杂的模块从编码器转移到解码器,降低了编码端的编码复杂度,广泛应用于无线视频通信、视频传感器网络和移动数字摄像机等多种场景。压缩感知(Compressed sensing,CS)利用信号的稀疏性,可以从较少的测量值还原出整个想要的信号,被应用于信号处理等领域中。现在研究基于压缩感知的分布式视频(DCVS)编解码研究已有一些成果。然而对于现有的边信息算法,总有边信息生成算法复杂度较高或者生成的边信息质量有待改善影响解码效果等有待改善的点。而对于现有的信号重构算法,大多都是对经典算法的优化改善,应用新算法的用于改善重构质量的研究还较少,应用新算法的研究有待提出。为了改善上述分布式视频压缩感知系统编解码的现存问题,本文进行基于压缩感知的分布式视频编解码研究,提出一种边信息生成算法,并应用算法对信号重构进行优化,从而达到提升系统视频解码效果的目标。首先,确定本文研究的基于CS的DVC框架的基本系统框架,并对框架中的测量矩阵和采样率进行重点讨论。主要以高斯随机矩阵、混沌随机矩阵和部分哈达玛矩阵三种测量矩阵在不同采样率下对系统解码峰值信噪比的影响进行研究与讨论。其次,在基本框架结构下,本文充分利用了前后两个关键帧和非关键帧的相似性,利用了帧插值边信息生成算法的优势,对运动估计初始边信息生成算法结合K-SVD算法的稀疏字典学习边信息算法进行优化,提出改进稀疏边信息生成方法——运动估计双重均值字典学习边信息生成优化算法。最后,本文分析了传统稀疏信号重构算法MP匹配追踪算法及其典型的优化算法OMP正交匹配追踪算法和CoSaMP压缩感知匹配追踪算法的算法原理。根据贝叶斯决策和贝叶斯学习的理论基础,提出了将多矢量稀疏贝叶斯学习算法应用在分布式视频编码系统下的信号重构部分作为信号重构算法。本文采用采样率、计算时间、视频信号帧重建峰值信噪比等作为主要参数,与对比算法进行仿真实验。实验表明,本文提出的运动估计双重均值字典学习边信息生成算法的计算时间不高且峰值信噪比数据相对较优,而应用多矢量稀疏贝叶斯学习算法作为重构算法对分布式视频解码的峰值信噪比有一定的提升。因此,本文提出的边信息生成算法及应用的信号重构算法对该系统视频解码有优化作用。