压缩感知（Compressed Sensing,CS）能在获取到的图像信号样本数稀少的情况下生成高质量图像,对于解决由于数据量少而又需要成像质量的问题大有助益。目前,基于深度学习的压缩感知重建算法采用分块压缩感知思想降低网络复杂度,但由于重建图像存在块状效应而导致重建质量下降。此外,在需要多个不同采样率重建图像的情况下,现有深度学习方法应用于图像压缩感知还需单独训练不同的模型,过多的模型将消耗更多存储空间和计算资源。本文基于注意力和多尺度生成对抗算法,优化了既有深度学习网络应用于图像压缩感知传统重建方法存在的重建质量及时间复杂度问题。本文主要完成以下两个方面的工作:（1）提出改进的金字塔式注意力生成对抗网络（Attention-based generative adversarial network,AGAN）的图像压缩感知重建算法。通过AGAN学习采样矩阵并以尽可能的有效利用图像信号的特性。同时,在生成器的编码阶段加入通道空间注意力机制对采样矩阵采集到的测量值增加关注,改善网络模型的特征表示能力,以获取更多的图像内部信息从而更有利于图像重建。实验表明,AGAN网络相比其他方法提高了图像重建的效率,且大幅度提升了图像的重建质量。在PSNR客观指标上有4.5%的提升。（2）研究关于多尺度情况下的图像多采样率压缩感知方法,改进多尺度生成对抗网络的图像压缩感知重建算法i AGAN（improved attention generative adversarial network）。改进的i AGAN网络利用渐进式流水线和拉普拉斯图像金字塔方法,组成了一个金字塔层级式的网络结构,每一个金字塔层表示不同的采样率输出,根据采样率的不同选择,可以在一次训练模型后就能适应多个采样率尺度的压缩感知重建。实验通过与现有多尺度卷积神经网络压缩重建相比,i AGAN网络在多采样率压缩感知任务中有效降低了重建时间并保持了重建质量。