伴随着电网建设的不断扩大与升级,电力系统的管理与维护的成本也在不断的提高,如何有效利用新兴技术的发展成果提升电力系统的管理与维护水平至关重要。电力系统图像在电力系统信息的传递与电力系统的监视与维护中扮演着十分重要的角色,而大规模的电力系统则会产生海量的电力系统图像数据,冲击着电力系统运行过程中电力系统信息的传递带宽与存储负担,如何有效避免带宽资源浪费与存储空间负担是目前的研究难点。针对这一问题,本文提出基于压缩感知的电力系统图像采集与重建方法对于提高电力系统的管理与维护水平具有重要意义。本文基于压缩感知理论,首先对电力系统图像的采集与重建建模,分析了传统压缩感知对于电力系统图像的重建方法,将压缩感知领域的重建方法进行了分类,在每一类算法中,分别阐述了其理论依据与方法步骤,并重点分析了基于深度学习的数据驱动类方法和数据驱动与基于先验知识相混合的方法。接着,设计了基于深度学习的压缩感知电力系统图像采集与重建方法,在重建端用堆叠去噪自编码器与卷积神经网络,在采集端使用神经网络对电力电力系统图像进行采样,并使用端到端的训练方法,联合重建网络进行训练,重建网络指导采集层获取重建所需的采样信息,进一步提高电力系统图像的重建质量。结果表明,在四个测量率下,使用深度学习的采样方法提高了电力系统图像的重建效果。然后,针对单一的神经网络在电力系统图像的重建上无法充分发挥神经网络的各自优势问题,本文将堆叠去噪自编码器与卷积神经网络级联,充分发挥堆叠去噪自编码器在处理数据低维输入与高维输出上的优越性,与卷积神经网络在处理图像问题上的卓越性能,将二者的优势进行结合,设计了级联重建网络,实验证明,二者的结合提高了电力系统图像的重建性能。最后,针对前面章节中,针对前文中神经网络无法充分利用采样图像的低层级信息的缺点,本文设计了密集残差压缩感知网络,创新的设计了密集残差块精细化重建电力系统图像,将低层级信息传递残差块内的每一层,充分利用每一层网络获取的信息。实验证明,密集残差网络在在获取更多的低层级信息后获得了更优的重建结果。