面对通信技术的日益发展,人们逐渐迈向大数据信息时代。在多媒体数字化的生活中,人们亟需解决的是大量数据信息如何有效采样、压缩、传输和存储等问题。传统的奈奎斯特(Nyquist)采样定理要求信号的采样率不小于带宽的两倍,才能完整地重构原始信号,这使得信号处理的运算量出现激增甚至超负荷现象。压缩感知(Compressive Sensing,CS)理论摆脱了奈奎斯特定理的限制,可以在远低于两倍信号带宽的采样率下完成信号重构,大大减轻了传输和存储压力,推动了图像压缩重建领域的发展。本文将深度学习方法引入到压缩感知图像重建算法中,主要研究工作包括:(1)提出了基于传统采样的压缩感知图像编码重建优化算法。该算法框架由编解码模块,初步重建模块和深度重建模块三部分组成。编解码模块包括传统的随机矩阵采样和霍夫曼编解码,初步重建模块和深度重建模块均由基于深度学习的重建网络构成。通过联合控制量化步长和采样率,在给定比特率下得到了质量最优的重建结果,实现了基于压缩感知的图像编码重建优化。实验结果表明,本文所提算法在保证重建图像质量的前提下,提高了编码压缩效率。(2)提出了基于递进卷积采样的压缩感知图像重建算法。本方案采用全卷积方式实现了图像采样及重建的端到端联合训练学习。该算法由递进采样模块,递进重建模块以及残差重建模块组成。其中,递进采样模块和递进重建模块组成的子网络用于生成初步重建结果,残差重建模块用于去除块效应,从而进一步提高重建图像的质量。通过与其它重建算法比较,实验结果表明,本文所提算法提升了重建图像的主客观质量,尤其在低采样率下效果更明显。(3)提出了基于多描述的压缩感知图像重建算法。该算法包含多描述采样模块和重建模块两部分。多描述采样模块将原始图像按奇偶行分成两个图像子集,并对其分别进行采样,经采样得到的两个测量值可作为两个独立的描述用于信号传输。重建模块包括递进重建模块和残差重建模块,递进重建模块用于生成初步重建结果,残差重建模块用于去除块效应,最终生成高质量的重建图像。实验结果验证该算法在保证重建图像质量的同时,提高了网络的整体稳定性。