基于压缩感知理论的单像素成像技术使用一个单点探测器即可实现二维成像。采用单光子探测器作为单像素相机中的探测器,可将经典的单像素相机扩展到单光子水平,实现了单光子计数压缩成像,与面阵单光子探测器实现的二维成像相比,具有低成本的优势。同时单像素成像系统中的探测器可以收集多个像素的光强,可实现所谓的超灵敏成像。因此单光子压缩成像在荧光成像、生物医学成像、深空探测等极弱光成像领域具有重要的应用。基于传统压缩感知（Compressed Sensing,CS）的原理,单光子压缩成像需要较长的时间用于压缩测量和较大的迭代运算量进行图像重建。近年来深度学习方法被研究用于压缩感知图像的重建问题,不仅避免了迭代运算实现快速成像而且获得了更好的图像重建性能。大部分深度学习压缩重建网络主要从算法上研究如何从测量值中恢复图像,未联系实际成像系统的硬件实现。本论文从单光压缩成像系统的实际出发,开展采样和重建联合优化的深度学习压缩重建网络,主要研究内容及成果如下:（1）提出一种基于深度学习的采样和重建联合优化方法。该方法通过在卷积神经网络中设计采样子网络与深度重建子网络分别对压缩采样过程和图像重建过程进行学习,并根据损失函数更新网络参数实现对测量矩阵和重建算法的联合优化。最终获得可以用于单光子压缩成像测量矩阵和相应的图像重建算法。（2）设计了基于模型驱动的采样重建联合优化迭代网络（Sampling reconstruction Optimization Iterative Network,Sroi-Net）。修改网络的正向和逆向传播,使采样子网络的权重二值化,从而能够作为二值测量矩阵用于单光子压缩成像系统,并将传统迭代算法展开成深度重建子网络进行图像的重建。在仿真和单光子压缩成像系统中进行的对比实验,验证了该采样子网络获得的二值测量矩阵的性能和Sroi-Net图像重建的质量。（3）提出了用于单光子压缩成像系统的快速非成像识别的方法。借鉴采样和重建联合优化方法思想,该方法无需重建出目标的图像再进行识别,可以直接根据单光子压缩成像系统中探测器输出光子的计数值对成像目标进行分类识别。仿真和系统实验结果表明,在极低测量率下该方法依然可以完成较为准确的识别。