随着互联网和多媒体信息技术的发展,每时每刻都有巨量的数字信息在互联网上传播。由于数字图像能够直观、生动形象地表现信息,数字图像成为人们互相传送信息的主要媒介之一。数字图像往往具有很大的数据冗余性,且部分图像包含大量隐私或者机密信息,因此如何保证数据安全性并提高数据传输效率得到广泛的研究。压缩感知,作为一种能以低于奈奎斯特采样定律进行采样的技术,已被广泛应用到当前的图像压缩加密研究中。然而许多现有的基于压缩感知的图像加密算法在安全性、加解密效率和性能上存在很多不足,例如图像稀疏性能差、生成测量矩阵效率低下、重建图像的视觉质量不高等。为了克服现有基于压缩感知的图像加密算法的不足,本文首先设计了一个新型的基于并行压缩感知的图像加密算法（PCS-IE）,其使用自适应阈值化的并行压缩感知（AT-PCS）、图像扩散和随机矩阵编码对图像进行加密。AT-PCS设计了一种高效的图像自适应稀疏技术和测量矩阵随机生成算法,从而提高图像稀疏性能和测量矩阵生成效率。图像扩散对采样结果进行加密,随后随机矩阵编码将密文图像嵌入到载体图像之中以获得视觉安全性。PCS-IE使用密钥生成混沌系统初始状态,从而控制测量矩阵生成、图像扩散和嵌入过程。仿真实验结果显示,相比其他基于传统压缩感知的图像加密技术,PCS-IE具有较高的安全性,且能大幅提高图像的加解密效率和重建质量。由于PCS-IE依然使用传统压缩感知方法,为了解决此类方法重建质量不高且效率低下的问题,本文利用深度学习技术设计了一个基于深度压缩感知的图像加密算法（DCS-IE）。该方法首先利用图像在小波域稀疏度分布不均的特性设计了一个深度压缩感知模型,该模型能通过训练来学习图像的稀疏表示、测量矩阵生成和图像重建,同时能利用GPU的硬件优势提高采样和重建效率。此外,DCS-IE设计随机置乱和扩散算法对采样结果进行加密,并使用密钥和明文信息生成混沌系统初始状态来控制加密过程。仿真实验结果显示,相比传统压缩感知方法,所提出模型能有效提高图像重建性能;相比使用CPU,DCS-IE能有效利用GPU硬件优势,获得520倍的解密效率提升。