压缩感知理论突破了奈奎斯特频率的限制,将计算压力从采样端转移到重构端。传统的图像/视频压缩感知重构算法耗时较长,实用性低;基于深度学习的压缩感知重构算法具有运行速度快、低采样率下重构质量好的特点,但可解释性差,难以恢复高频信息。在视频压缩感知领域,神经网络实现研究较少,对时间相关性的建模能力差。本文主要关注深度学习与传统算法的结合,针对现有网络存在的问题,基于稀疏表示思想,分别在图像和视频压缩感知重构问题上提出相应的解决方案。主要工作如下:1.引入视频帧间组稀疏思想,提出一种视频帧间组稀疏表示网络（VGSR-Net）,在高维空间利用可学习的阈值提取帧间相关信息。在此基础上,引入光流补偿网络（STMCNet）,提出了两阶段增强重构网络（2s ER-VGSR-Net）,分两步构建不同的匹配块组,重构当前帧丢失的信息。在第二阶段重构中进一步提出混合递归重构网络（2s RER-VGSR-Net）,充分利用已获得的高质量重构信息。实验结果表明,2s RER-VGSR-Net与现有较好的重构算法相比,在各采样率下均具有最好的重构性能。2.针对现有稀疏表示算法阈值非自适应的问题,提出了基于图像结构特征的自适应阈值生成子网络（ATG-subnet）,提高了稀疏处理阈值的合理性。在此基础上,提出了一种基于稀疏表示的图像压缩感知重构网络（SRR-Net）,将传统的ISTA迭代算法展开为多个串联的卷积稀疏表示子网络（CSR-subnet）。为了加速网络的收敛,设计了一个基于像素域、观测域和特征域间的循环一致性损失。实验结果表明,和现有的性能较好的图像压缩感知重构算法相比,SRR-Net具有较好的重构质量。3.针对现有组稀疏表示算法中无差别对待各参考帧的问题,提出加权组稀疏思想,并结合自适应阈值思想,将SRR-Net拓展到视频领域,提出一种帧间加权组稀疏表示的视频压缩感知重构网络（WVGSR-Net）。权重分配模块根据参考帧与当前帧的关系分配不同的权重,提高了信息提取的效率。WVGSR-Net采用单阶段并行式重构方式,简化了网络框架。实验结果表明,WVGSR-Net与现有的经典的视频压缩感知重构算法相比,有效地提升了重构质量,与2s RER-VGSR-Net相比也明显提升了重构质量。