压缩感知（compressed sensing,CS）理论可以远低于奈奎斯特采样频率对信号采样并实现高质量恢复信号,且在医学成像、信号处理、农业科学、遥感等诸多领域有着广泛的应用。但近些年来压缩感知的研究出现了瓶颈,传统的压缩感知重建算法往往需要大量迭代优化,具有较高的计算时间复杂度,且重建质量有些不如人意。因此研究高质量的重建方法迫在眉睫。近几年出现了基于深度学习的图像压缩感知重建方法,这类方法通过设计合适的卷积神经网络结构和损失函数,并使用数据集来进行监督训练,重建计算复杂度较低,且取得了较为不错的重建质量。但已提出的深度学习方法还有一些不成熟的地方,重建质量也有待提升。因此,本文分别在不同采样方式下研究了基于深度学习的压缩感知重建算法,提出了两种模型,并进行实验仿真对其性能进行评估。具体而言,本文的主要工作如下:（1）针对现有深度学习算法存在提取特征能力较差,重建质量不佳的问题,本文在ISTA-Net算法的基础上提出了一种基于残差稠密阈值网络的压缩感知重建算法。该算法的模型采用高斯随机采样矩阵进行采样并得到采样量,将采样量作为输入进行初始重建。接着使用了残差稠密模块作为深度重建网络提取特征的基础,并将其应用于其阈值约束框架中。实验结果表明,本章算法得到的重建图像质量上有明显优势,能有较好的解释性,在客观指标和主观效果均有良好表现,细节恢复效果较好。（2）考虑特定的采样矩阵有一定的缺陷,本文在CSNet算法的基础上,提出了一种基于网格网络的压缩感知重建算法。首先建立了一个较大的自然图像库作为训练集,用于数据增广。接着使用基于神经网络的采样模块进行初始采样,并使用级联的网格网络进一步优化初始重建,联合学习采样与重建不仅仅可以避免较大的计算量,可以大幅减少训练时间。此外,级联的网格网络可以提高相应的重建质量。实验结果表明,采样过程和重建过程联合训练的方式十分有效,该算法可以在保持较快运行速度的前提下保持较高的重建质量,实用性较高。