光子计数单像素成像将光子计数技术和基于压缩感知的单像素成像结合,具有高灵敏、低成本的优势,在光学遥感成像、光谱成像、生物医学成像等领域有重要的应用。传统的重建算法存在采样时间和重建时间长的问题,近年来将深度学习用于压缩感知重建取得了重大的突破。基于深度学习的压缩采样和重建网络,将去除偏置和激活函数的全连接层作为测量矩阵,避免了传统迭代算法的带来的巨大计算量,从而实现了更快更高质量的图像重建。但利用全连接层进行高分辨图像的分块压缩感知时,重建图像会产生块状效应。目前大多深度重建网络对提取的图像特征都平等对待,这导致网络不能充分利用图像中的重要信息。围绕这两点问题,本论文开展去块状的采样网络和基于注意力机制的压缩重建网络在光子计数单像素成像中的应用研究,主要研究内容及成果如下:（1）本文研究了重建图像产生块状化的原因,并提出重叠分块采样网络（Os＿net）、嵌套采样网络（Ns＿net）、卷积采样网络（Cs＿net）三种方法以取代全连接层采样。设计仿真实验对比了不同算法的重建性能以及去块状化能力。实验结果表明Cs＿net相较于其它算法具有很好的重建性能且能完全去除块状化。通过对Cs＿net的采样子网络中的浮点型权重二值化,使Cs＿net应用于光子计数单像素成像系统。设计系统实验对比了Cs＿net与传统迭代算法重建图像的性能。实验结果表明该网络模型能获得更高的成像质量,且能够完全去除块状化。（2）设计了基于注意力机制的重建网络。为了探究不同的注意力机制用于压缩感知重建的效果,提出了通道注意力机制网络（ACS＿net＿V1）、空间注意力机制网络（ACS＿net＿V2）和混合注意力机制网络（ACS＿net）。设计了仿真实验对比三种网络的重建性能,结果表明所有的注意力机制模块都对深度重建网络有提升作用,其中ACS＿net的提升效果最为明显。设计二值化仿真实验对比了ACS＿net与传统迭代算法重建图像的性能,结果表明该方案能获得更高的成像精度。（3）基于空间注意力机制,设计了针对不同区域的均方差分别加权的差异化加权损失函数ALoss。该损失函数给予重要区域更大的权重,非重要区域更小的权重。设计了仿真实验来对比差异性损失函数和普通损失函数对网络的影响,实验结果表明所设计的损失函数对于空间注意力机制重建网络提升效果明显。