压缩感知(CS)是一种新型的信号采样技术,能够从远低于奈奎斯特采样频率的随机线性测量来重建原始图像信息,其核心在于设计高效的压缩感知重建方法。然而,传统的重建方法需要求解复杂的迭代优化问题,重建过程十分耗时。同时,在低采样率时,图像的重建质量不佳。深度网络具有优异的学习能力,能够有效表达从低维随机测量到原始高维图像的重建映射。为此,本学位论文着重研究图像压缩感知重建的深度学习模型与算法,以数据驱动的方式学习图像压缩感知重建映射,对于新的测量样本通过简单的前馈计算即可快速重建,大幅降低重建的时间复杂度。本学位论文提出了多种类型的图像压缩感知重建网络,利用不同的网络结构优势提升重建质量,具体研究成果包括:提出了亚像素卷积生成对抗感知模型。该模型的生成器设计为亚像素卷积网络,表征从低维测量向量到高维图像的重建映射关系,鉴别器判别输入图像是生成图像还是原始训练图像。并设计包括了重构损失、测量损失和对抗损失的复合损失函数来指导生成器鉴别器的参数学习。学习完毕的生成器可从测量向量快速重建原图像,同时联合鉴别器的对抗训练可促使生成器学习原图像的内在分布,从而提高重建质量。提出了一种双通路注意力压缩感知网络。借鉴图像的结构纹理表示模式,该网络设计有结构与纹理两条通路。结构通路旨在重建未知图像的结构成分,而纹理通路的目标是恢复剩余的纹理细节。为了更好地在两条通路之间桥接信息,本论文设计了纹理注意力模块,将结构通路信息传递到纹理通路,预测纹理区域,从而促进纹理细节的恢复。该网络包括两条通路,并通过统一的损失函数共同优化,端对端地学习测量向量到重建图像的逆映射。在测试阶段,对于给定的新图像测量向量,累加结构通路和纹理通路的输出即可重构。该网络设计有利于重建图像的纹理细节,同时可实现在压缩感知域中,图像的结构与纹理成分的分离。提出了记忆增强的图像压缩感知级联重建网络。该网络将复杂的重构映射分解为增量细节重构(IDR)模块和测量残差更新(MRU)模块的级联。IDR模块的设计是为了从残差测量向量中重构残差细节,而MRU模块用于更新残差测量向量并将其送入下一个IDR模块。上下文记忆(CM)模块可促进各IDR模块之间的信息交互,提升IDR模块的重建能力。通过累加所有IDR模块的输出,可获得最终的重建图像。级联重建模式可以有效降低网络学习难度,提升重建质量。