当今多媒体通信中高图像质量的要求,需要处理更多的数据。奈奎斯特定律指导方法对采样及存储等设备造成巨大压力。CS(Compressed Sensing)以远小于Nyquist采样定理的采样率在编码端对信号做非相关测量,利用对非线性方程求最优解在解码端对原始的信号进行复原。从基于人工设计(Hand-Designed,HD)的方法到基于神经网络(Neural Network,NN)的方法,学者们对CS图像重构进行了广泛研究,致力于寻找运行速度快、重构质量高的CS图像重构算法。HD具有理论收敛保障性,但存在许多需要人工选择的参数。NN可以自适应选择参数,从大量数据中学习真实信号先验,但基于黑匣子操作,缺乏理论收敛保障。近年来将迭代展开成深度网络的混合人工设计与数据驱动的方法得到长足发展,具有较大研究潜质,在性能和效率方面有望对CS重构算法做进一步的提升。本文研究混合人工设计与数据驱动的CS图像重构算法,该类方法首先利用经验知识设置重构算法,然后使用训练数据来学习算法先验,在保障理论收敛的同时最大化利用数据先验。具体研究内容如下:(1)研究了基于去噪的CS图像重构算法。由于直接对深度网络进行端到端的训练难度较大,将近似消息传递算法进行展开得到的深度网络可以自然地结合去噪器。对深度网络逐层解耦,可以将复杂重构问题转变为不同噪声水平的去噪问题,为设计高性能的重构算法提供了一种新的思路。(2)设计了一种特征驱动自适应选择去噪器的CS图像重构策略。深度AMP(Approximate Message Passing)网络为去噪器的融合提供了自然的结合方式,去噪器的性能在图像重构问题中对图像的重构质量扮演着非常重要的角色,然而目前没有一种去噪器能普遍适用于各类型图像,因此固定单一去噪器融合的重构算法同样不能普适于所有类型的图像。基于此,设计了一种以图像特征为驱动的自适应去噪器选择策略,对不同类型图像选取相应的去噪器进行结合,得到最优的重构质量。(3)提出了一种将多种去噪器和多种数据先验混合应用进压缩感知中的图像重构算法。在CS图像重构算法之中融合更多的数据先验,能够在一定程度提高算法的灵活性。研究发现重构路径修正和重构映射会极大的影响深度AMP网络重构质量,因此分别采取引入NN来最大化利用图像局部先验对重构路径进行修正,以及引入图像非局部自相似先验用于重构映射。相对已有的高性能重构算法,本算法能够在0.3-0.5采样率的条件下有效提升1-2 d B性能增益。