压缩感知理论突破了传统奈奎斯特采样定理的约束,证明了稀疏信号能够以其降维采样的测量值准确重构。压缩成像是压缩感知理论的重要应用方向,在磁共振成像、遥感成像与雷达成像等领域具有广泛应用前景。压缩感知图像的有效重构是压缩成像应用关心的核心问题之一。目前,基于深度学习的方法为压缩感知图像的快速高质量重构提供了良好潜能,相关研究引起了该领域研究人员的极大兴趣。本文面向压缩成像实时应用需要,重点围绕基于深度网络的图像压缩感知重构方法开展研究,特别探讨了基于卷积神经网络和深度模型展开的方法,在更好提升重构图像质量以及有效降低深度网络训练难度方面,取得了一些有意义的结果。工作内容如下:1)提出了一种级联模型展开与残差学习的图像压缩感知重构网络。尽管通常情况下增加深度网络的深度,一定程度上会改进系统性能,但是网络深度的加深会导致网络训练难度的加大。在研究基于深度模型展开网络的基础上,提出在减少原有深度模型展开网络层数的基础上,在其后端级联一个独立的残差去噪网络,从而达到图像重构质量提升的同时,有效降低训练难度。前端的基于模型展开的深度网络,继承了模型优化方法具有良好可解释性的优点,首先从压缩测量值中求解出初始重构图像。后端的残差去噪网络,以前端输出的初始重构图像为输入,对其进行深度去噪,最终获得更高质量的重构结果。该两级级联网络的训练分别独立完成,训练过程简单易实现。2)研究了一种基于自适应采样与多尺度残差学习的图像压缩感知重构网络。卷积神经网络的卷积核的大小决定了特征提取的感受野,因此对于采用小尺度卷积核的重构网络,通常通过增加网络深度以提取到更多相关信息,以改善重构效果。对于采用固定系数测量矩阵的传统压缩采样,由于不能自适应被采样图像的统计特性,因此限制了采样效率与重构效果的提升。研究了一种自适应采样与多尺度残差学习的压缩感知重构方法。首先采用自适应采样重构,得到图像的初始重构结果;自适应采样提高了图像采样效率。然后通过多尺度残差学习网络,对初始重构图像进行多尺度特征提取与深度重构。通过将不同大小卷积核与残差网络结合,在减少网络层数、降低网络训练难度的同时,有效扩大了特征提取的感受野,提升了图像重构质量。给出了大量实验结果,验证了提出方法在提升重构图像质量以及降低网络训练难度方面的有效性。