随着大数据与人工智能时代的来临,高质量且清晰的图像在监控、遥感、无人驾驶等领域的需求越来越迫切,然而目前图像、视频都面临数据量急剧增加但质量不高的问题,这些对图像数据的传输和处理带来了很大的挑战。目前传统方法处理图像恢复任务存在计算复杂度过高的问题,为了解决这个问题,我们采用深度稀疏编码模型来降低图像恢复算法的计算复杂度。深度稀疏编码模型在求解稀疏优化问题上具有高效性,模型把以软阈值为基础的AMP算法“展开”并形成一个前馈神经网络。与基于学习的迭代阈值算法(Learned ISTA,LISTA)不同,在这种基于学习的近似信息传递算法(Learned AMP,LAMP)的网络结构中,改进增加的旁路路径使网络的拓扑结构发生变化并且提供了一个不同的增益控制机制,使得编码重构精度在少量迭代次数也可得到保持。基于上述特性,我们将深度稀疏编码模型应用到图像恢复问题上,具体如下:1、我们将深度稀疏编码模型应用到图像压缩感知重建问题上,提出了基于深度稀疏编码模型的自然图像重构算法。算法应用监督学习的方法,通过训练大量样本得到一个稀疏编码器,编码器首先通过图像的观测系数来预测对应变换域的稀疏编码,然后经过反变换得到重建的自然图像。经过训练得到的稀疏编码器可以用于对应观测码率的图像压缩感知重建,因为传统的算法迭代次数有上百次甚至更多,而训练好的预测模型的迭代次数少于10,所以可以实现快速的压缩感知图像重建,有比较广泛的应用前景及推广价值。2、我们提出一个基于深度稀疏编码模型的图像超分辨算法,应用递归神经网络思想实现了一个端到端的递归图像超分辨网络。首先应用基于学习的近似信息传递算法,我们实现了一个和传统稀疏编码方法的图像超分辨步骤严格对应的前馈神经网络,使得现有的稀疏编码方法有效结合在我们的网络结构中,然后引入递归神经网络思想,提出图像的多级超分辨重建模型,并应用迁移学习的训练方法实现对模型的高效训练。本文结合深度神经网络和稀疏编码的方法,利用图像稀疏先验特性提出的基于深度稀疏编码的图像压缩感知重建算法与图像超分辨率重建算法,通过在相关数据集的测试,重建算法有效的克服了传统方法重建速度慢、效果差的缺点,并取得了较好的恢复结果。