压缩感知理论突破了奈奎斯特采样定理的限制,将信号的采样与压缩过程进行了统一,大大减少了信息在采集、存储、传输过程中对于资源的消耗。因此,压缩感知技术广泛的应用于各个领域,具有较高的研究与应用价值。在图像压缩感知任务中,分块观测由于具有存储负担小、信号重构复杂度低等优点而成为常用的图像压缩感知方法。然而目前基于分块观测的压缩感知重构算法往往存在着重构速度慢,结构信息不连续,块效应明显,重构质量不高等问题。针对以上问题,本文结合深度学习技术,提出了基于分块观测的压缩感知全图重构思想,大幅度提高了图像重构质量。在此基础上进一步搭建了感兴趣区域(ROI)增强网络,该网络能够自适应检测场景信号中的感兴趣区域,通过分配更多观测资源进一步提高该区域的重构质量。本文的主要工作包含以下两个方面:首先,针对传统重构算法中图像容易产生块效应的问题,本文提出了分块观测全图重构的思想,并且搭建了相应的重构网络。传统压缩感知算法大都采用分块重构的方式,忽略了图像块之间结构信息的联系,进而产生块效应。而本文方法在分块观测的基础上进行全图重构,具体来说,在观测阶段采用了传统的分块采样方式。而在重构阶段,为了能够重建了图像的结构信息,防止块效应的产生,搭建了一个全卷积神经网络,用于从所有图像块的观测值中直接重构出完整的图像。该方法不仅提高了图像的重构质量,同时避免了后期的图像块拼接工作。此外,本文采用训练的方式从大量训练数据中获得自适应观测矩阵。相比于传统的随机观测方式,自适应观测矩阵能够大大提高信号采样效率,进一步提高图像重构质量。其次,本文在全图重构网络的基础上,进一步设计了ROI质量增强的压缩感知算法,通过优化观测率的分配策略提高感兴趣区域的重构质量。为了实现观测资源的自适应分配,该算法将场景观测分为两个阶段,分别为预观测和二次观测。预观测阶段对场景进行低观测率采样和重构,同时结合显著性物体检测算法获取场景中的ROI位置。二次观测阶段将更多观测率分配给感兴趣区域以提高该区域的重构质量。最终结合两次的观测值,直接重构出多分辨率图像。此外,本文改进了均方误差损失函数使得网络更加注重感兴趣区域的重构,进一步提高该区域的重构质量。综上所诉,本文以分块压缩感知理论为基础,利用深度学习技术,设计了两种不同类型压缩感知重构网络,对现有压缩感知算法的不足之处做了改进和补充,在压缩感知重构任务方面取得了一定的进步。