近年来,无人机和机器人等无人智能设备迎来了快速发展,其与接收站实时共享机载传感器数据成为工业界的迫切需求。然而,由于奈奎斯特（Nyquist）采样率的限制和通信信道是极其有限。因此,亟需一种新的技术突破经典的奈奎斯特采样理论,而压缩采样正符合这种技术。压缩采样技术将采样和压缩过程合二为一,极大的减少了采集信号的存储空间。接下来,利用深度学习的方法对压缩采样数据进行数据恢复。由于深度学习卷积网络模型的参数量往往一般高达数百万以上,因此,需对深度卷积网络参数进行压缩。本论文首先介绍课题的背景、压缩采样、神经网络压缩国内外研究现状以及相关的概念,然后主要研究利用深度卷积网络对压缩采样后的SAR原始数据进行恢复和对深度卷积网络参数进行压缩的问题。本文主要工作内容简述如下:1)提出了一种基于级联卷积自编码器的随机采样的数据恢复算法（Cascade Convolutional AutoEncoder+Network,CCAE+Net）。该算法以卷积自编码器为基础网络,为了让数据具有稀疏性,给编码器和解码器中间引入了软阀值。CCAE+Net网络框架采用级联连接方式,实现了重建出的SAR原始数据进行成像处理生成的图像质量逐步提升。在此基础上,为了防止深度神经网络过拟合,在该网络上引入了ResNet和的DenseNet的方法。实验结果表明,相较于传统的矩阵补全重建算法,本文所提算法在数据恢复效果上具有明显的提升,并把CCAE+网络应用于水资源数据的恢复验证了本章提出的算法在别的数据上具有有效性。2)提出了一种基于低秩（Low-Rank）的联合压缩网络的压缩感知的数据恢复算法。该算法以所提出的基本网络为基础网络,基本网络采用了级联方式,实现重建出的SAR原始数据进行成像处理生成的图像质量逐步提升。并利用联合压缩模型方法对基本网络中的参数进行压缩,进一步减少了网络参数。实验结果表明,本文所提算法不仅可以减少深度神经网络参数,而且恢复出的SAR原始数据进行成像处理生成的图像也有明显的提升。