压缩感知作为一种全新的信号采样理论,广泛应用于各个领域。图像压缩感知只需少量的采样测量值便可准确地重建出原始图像,降低了图像信号在存储、传输过程中的带宽资源和硬件设备要求。近年来,深度学习方法被应用于图像压缩感知,极大地提高了图像重建质量,降低了重建时间。为此,针对现有方法中的不足,本文分别以小尺寸和大尺寸图像为研究对象,基于深度学习对压缩感知进行了深入研究,主要完成了以下两方面的研究:1.针对小尺寸图像压缩感知因测量矩阵的随机性造成重建性能不稳定、重建算法计算复杂度较高等问题,建立了一个基于堆栈稀疏去噪自编码网络的图像压缩感知模型。该模型包含编码子网络和解码子网络,其中编码子网络采用非线性测量方法去替代传统线性测量对小尺寸图像进行观测,以解决重建不稳定问题;解码子网络通过训练学习并拟合信号重建函数完成图像重建,降低了信号重建的计算复杂度。最后,通过端到端的联合训练把图像采样和重建两过程集成为一个整体以提高网络的整体性能。仿真结果表明,该模型与其他方法相比,在图像重建质量、重建时间上都取得了较好的效果。2.针对在低测量率下,大尺寸图像因采用分块压缩感知导致的块效应问题,本文基于双分支卷积自编码器网络和残差神经网络给出了一个双分支卷积残差压缩感知模型。该模型包括图像感知模块和图像重建模块,图像感知模块使用双分支卷积子网络以不同的视野对整幅图像进行卷积感知;图像重建模块则先通过预重建去卷积子网络完成对图像的初步重建,再通过残差重建子网络学习残差特征实现整幅图像的重建。实验结果表明,所给出的模型在图像重建质量、结构相似度和视觉效果方面都取得较好的效果。