压缩感知理论突破奈奎斯特采样定理的限制,使用少量的投影测量值就可重构出原始信号。同时,将信号采样和压缩的过程合并,具有节省传输带宽,避免资源浪费和缩短时长的优势。该理论一经提出就对图像重建带来突破性发展,在遥感成像、图像视频监控和雷达成像等领域有着极为广泛的应用。但是,现有绝大多数压缩感知图像重建算法存在两方面的不足。一方面,在采样阶段使用矩阵得到测量值,需要对原始图像进行分块切割,通过对小图像块重建后的排列拼接,组合成最终的重建图像。由此导致重建图像严重的块效应;另一方面,重建阶段的网络模型结构单一,提取图像特征有限。网络重建精度不高,特别是图像细节信息丰富和纹理特征复杂的区域,重建图像过于模糊。针对上述问题,本文研究内容如下:（1）针对重建图像块效应,提出一种基于卷积神经网络的图像压缩感知全局测量网络GMNet,该网络模型由采样子网络和全卷积残差重建子网络组成。采样子网络包括卷积层和反卷积层,卷积层取代传统的测量矩阵,对完整的原始图像进行全局采样;反卷积层替换全连接层,对采样测量值反卷积运算,得到低质的初步重建图像。全卷积残差重建子网络由三个残差块组成,通过比对原始图像标签和重建图像的残差信息,优化并输出最终的重建图像。实验结果表明,所提网络在主观视觉上避免重建图像块效应的问题,在较低采样率下依然可以辨识图像内容。（2）在图像全局测量网络GMNet的基础上,对重建阶段进行优化,提出一种基于多尺度残差注意力机制的图像重建网络MSRA-Net。该网络包括采样子网络、多尺度残差块和通道注意力机制模块。多尺度残差块通过设置不同大小卷积核,提取图像多尺度特征,进而提升重建精度;通道注意力机制模块通过压缩、激励和放缩的过程,使得网络在具有全域性感受野的同时,自适应调整特征通道的权重,实现在训练中增强重要特征通道、抑制冗余特征通道的目的。从公开的图像数据集中选取代表图像进行实验,结果表明重建图像的整体视觉效果明显提升。客观指标中的峰值信噪比提升2-3d B,结构相似度在对比中具有显著优势。综上所述,本文针对研究领域目前存在的两大问题,分别从采样和重建两个阶段进行优化,提出全局测量和多尺度残差注意力机制的方法。首先,直接对整幅图像全局采样,无需对图像分块;然后,在重建阶段提取图像多尺度特征来提升重建精度,通道注意力机制聚焦于图像细节信息丰富和纹理特征复杂区域。实验结果表明,所提网络重建图像没有块效应,整体视觉效果提升。在对比实验中,所提网络的峰值信噪比和结构相似度均具有显著优势。