利用稀疏表示理论对图像进行研究主要是针对图像块进行单独编码，块与块之间存在重叠部分，忽视了图像块之间具有一致性的特点。利用卷积稀疏表示，可以将整个图像看做是一个整体，对其进行稀疏编码。基于深度学习思想的多层卷积稀疏编码(MLCSC)模型的多层基追踪问题和多层字典学习问题成为研究热点，但这些问题都是基于傅里叶域的交替方向乘子法(ADMM)的传统基追踪算法，ADMM算法不能容易地扩展到多层情况。针对这些不足，该文对多层卷积稀疏编码模型进行了研究和改进，主要工作内容如下：
　　首先，在多层快速迭代软阈值算法(ML-FISTA)和切片局部处理思想的基础上，提出了一种新的多层基追踪算法：基于切片的多层快速迭代软阈值算法(ML-SFISTA)。在多层快速迭代软阈值算法和对应的迭代展开神经网络ML-FISTA-Net的启发下，提出了对应的迭代展开神经网络ML-SFISTA-Net。ML-SFISTA-Net输入原始信号，输出最深层卷积稀疏编码用于图像和音频分类。
　　其次，在多层卷积稀疏编码和切片局部处理思想的基础上，提出了多层局部块坐标下降算法(ML-LoBCoD)和对应的迭代展开神经网络ML-LoBCoD-Net。ML-LoBCoD-Net实现信号的表征学习功能，输出的最深层卷积稀疏编码用于分类。此外，为了获得更好的信号重构，该文提出了一种新的多层切片卷积重构网络(ML-SCRN-Net)，ML-SCRN-Net实现从信号稀疏编码到信号重构。对ML-LoBCoD-Net和ML-SCRN-Net分别进行实验验证，并且将这两个网络进行级联得到ML-LoBCoD-SCRN合并网，同时实现图像的分类和重构。
　　最后，在多层卷积稀疏编码和解析残差变换思想的基础上，提出了多层解析残差稀疏变换算法(ML-ARST)和对应的迭代展开神经网络ML-ARST-Net。为了获得更好的信号重构，提出了多层残差卷积重构网络(ML-RCRN-Net)，ML-RCRN-Net实现从信号稀疏编码到信号重构。将ML-ARST-Net和ML-RCRN-Net进行级联得到ML-ARST-RCRN合并网，实现图像的重构完成了自监督学习。