压缩感知是一种强大的信号采样技术,能够在对信号采样的同时完成压缩,极大地减轻了编码端的计算和存储负担。由于计算复杂度主要集中在解码端,重构算法的设计是压缩感知最核心的研究内容。传统图像/视频压缩感知重构算法理论可解释性较好,但重构性能不理想;近来提出的基于深度学习的重构算法通过数据驱动的方式直接学习观测值到重构信号之间的非线性映射,重构质量较高,且重构速度较快,但理论可解释性较差。针对现有图像/视频压缩感知算法存在的不足,本文在压缩感知理论的指导下,以深度学习技术为工具,提出了相应的改进方案,主要工作如下:（1）基于传统ISTA算法,提出了一个高性能的优化启发的图像压缩感知神经网络（UAST-Net）,在利用深度学习技术强大建模能力的同时具有良好的可解释性。在UAST-Net中,设计了一个自适应阈值收缩模块来代替传统软阈值处理操作,在滤除噪声的同时保留更多细节信息。实验结果表明,UAST-Net能够在保持实时重构的条件下,显著提升图像重构质量。需要强调的是,除用于图像任务外,UAST-Net还可作为初始重构网络直接嵌入到已有视频压缩感知框架中,是后面两部分工作的基础算法。（2）为高效挖掘视频信号的时域相关性,提出了遮挡感知的光流对齐网络（O~2FA-Net）,能够根据视频帧内容自适应从参考帧中提取有用信息对当前帧进行补偿。在此基础上,引入多帧融合网络,提出了两阶段联合深度重构网络（JDR-O~2FA-Net）增强非关键帧的重构质量。在第二阶段融合过程中,设计了一个轻量级的注意力模块（STFW）来扩大感受野,提升网络的表达能力。此外,为尽可能地利用观测值提升网络重构性能,提出了观测损失辅助指导网络优化。实验结果表明,与现有最优的算法相比,JDR-O~2FA-Net可以在保持高帧率重构速度的同时,显著提升视频帧重构质量。（3）针对基于卷积神经网络的时域对齐方法信息感知范围有限的问题,提出了利用注意力机制实现视频压缩感知重构过程中运动估计/运动补偿的创新思想,并设计了时域注意力对齐网络（TA~2-Net）进行实现。结合JDR-O~2FA-Net中设计的融合网络,提出了一种结构设计更为简洁高效的联合深度重构网络（EJDR-TA~2-Net）实现非关键帧的高质量重构。实验结果表明,与最优的深度学习算法2s RER-VGSR-Net相比,EJDR-TA~2-Net重构帧的PSNR最高提升了1.76d B。