随着大数据时代的来临,以及人们对图像、视频等多媒体数据质量的要求越来越高,数据的产生也与日俱增。这使得数据的存储和传输变得日益艰难。压缩感知技术是解决该问题的一种方法。它以其独特的混叠采样方式直接存储压缩后的混叠信号,将混叠信号直接传送到接收端,并通过设计的重构算法精确还原场景信号。这种方式有效地缓解了存储和传输的压力。得益于压缩感知技术的有效性,它已经被广泛用于医学成像、高速摄影、遥感探测等多个领域。现有的压缩感知算法主要分类两类:模型驱动的算法和数据驱动的算法。模型驱动的算法主要通过场景的先验知识,设计观测矩阵和对应的参数模型,并通过优化求解的方式得到重构信号。数据驱动的算法,大多是基于深度学习网络,其特点是需要大量的数据训练出观测矩阵以及对应的重构算法。模型驱动的方法由于需要优化求解,具有很高的时间复杂度,很难应用在实际中。相对于模型驱动的方法,数据驱动的算法在时间复杂度较低的情况下,能够达到较好的重构效果。本文主要针对数据驱动算法中存在的若干问题展开研究。首先,现有的基于深度学习的数据驱动算法,虽然在重构速度与效果上取得了较好的效果,但由于深度网络模型本身具有“黑盒子”特性,导致现有算法对网络内部的探究较少。换句话说,就是对算法本身的工作机理剖析不够。因此,亟需对算法的原理进行研究并具象的可视化出来;其次,大多数压缩感知算法对静态场景进行观测采样时,不区别场景中的主次,“眉毛胡子一把抓”。这样的采样方式和人类的视觉系统存在明显的差异,人类在观察场景时,会本能的区分场景中的感兴趣区域及非感兴趣区域,并对感兴趣区域过多的关注。因此,仿照人类视觉体系的压缩感知算法有待开发;最后,相对于静态场景,动态场景尤为重要。现有的针对动态场景的观测采样方式与重构算法,一般仅在时间或空间维度上进行,这样导致非压缩维度的冗余性较大。因此,针对时空维度的压缩感知采样及重构算法有待提出。针对上述存在的问题,我们展开研究,并提出相应的解决方案。本文的主要工作和创新点包括以下三个方面:1、提出一种基于深度残差模块的压缩感知网络,并以该网络为例,进一步剖析压缩感知网络的工作机理。这也是首个对基于深度学习的压缩感知网络进行理解和可视化的工作。具体的,对学习的观测矩阵进行可视化,并从时、频域对其分析。接着,从空间和系统的角度分析了网络的重构过程。然后,通过探究性实验进一步探索深度残差模块在网络中起到的作用。最后与现有方法进行对比,证明了所提算法的优越性。2、提出了一种基于感兴趣区域（ROI,Region of Interest）的压缩感知网络—ROI-CSNet。该网络可以在保证非ROI区域重构质量的前提下,对ROI区域的重构质量进一步提升。首先,这是利用深度卷积神经网络实现ROI感知（ROI-aware）图像重构的第一项工作。与基于均匀采样的传统压缩感知方法相比,该方法可以实时获取更高质量的ROI-aware图像。其次,提出两次观测的思路,并将两次观测得到的观测值融合在一起重构,一次性得到ROI-aware图像;并且将两次观测重构过程联合训练,从而使得两个观测矩阵能够捕获场景中的互补信息。最后,为了提高ROI-aware图像的重构质量,我们设计了ROI-aware损失函数,使网络在训练与测试时均能更加关注图像的ROI区域。3、提出基于时空观测与重构的混合3D视频压缩感知网络框架。该框架由观测部分和重构部分组成。在观测部分,通过数学表达描述了学习的时空观测矩阵的工作过程。在重构部分,设计了由混合3D残差模块组成的重构网络。该模块可以在表征视频时空特征的情况下,使网络的层数加深、参数减少。同时,通过一系列实验探究了该混合3D残差模块的构成与卷积核大小的选择。最后在公共数据集上,与其他方法对比,验证了所提方法在重构性能和重构速度上均达到了较高的水平。