压缩感知是指利用少量测量值通过非线性重构算法完美重构信号。目前采用迭代优化算法的压缩感知系统,重构过程中需要进行复杂的迭代运算,重构时间较长,并且在低采样率下,图像重构质量较差。卷积神经网络能够实现端到端的非迭代重构,可提高重构速度。因此,本文主要围绕卷积神经网络对图像压缩感知算法展开研究,具体研究内容如下:首先,将卷积神经网络应用至图像压缩感知上,基于不同尺寸的卷积核可提取图像中不同尺度特征的特点,提出多尺度残差重构网络。该网络利用大量的训练数据学习从测量值到重构图像的映射,利用该映射重构图像。实验表明,基于多尺度残差网络的压缩感知重构算法比基于迭代优化的重构算法具有更快的重构速度和更好的重构效果。其次,考虑到基于多尺度残差重构网络的重构速度稍慢于DR~2-Net算法,将扩张卷积应用至重构网络中,并结合残差学习提出快速多尺度残差学习重构网络,减少了网络中的卷积层,在保证图像重构质量的同时,提高算法的速度。最后,将网络的输出与测量值进行优化,使得重构图像在测量矩阵上的投影与测量值更加接近。最后,由于上述两种算法对图像进行分块重构,导致重构图像中出现块效应。为提高图像的视觉效果,提出基于自编码模型的压缩感知重构算法。该算法在训练网络的同时将测量矩阵也进行优化,利用学习得到的测量矩阵对图像进行采样,通过自编码模型重构出图像,再利用去块效应网络去除图像中的块效应和伪迹,提高图像质量。