随着人工智能、云计算、大数据等科技的快速发展,数字信息呈爆炸式增长。高效地获取、处理及传输信息对科技的发展至关重要。传统的奈奎斯特-香农采样定理要求采样频率不小于信号带宽的2倍才能保证信号精确地重构。然而,过多的测量数据不仅会增加采样端的复杂性,而且给数据存储、传输和处理带来压力。如何利用少量的测量数据重构高质量的图像是亟待解决的问题。压缩感知（Compressed Sensing,CS）突破了奈奎斯特-香农采样定理的限制,可从欠采样的测量数据中准确地重构出原始信号。近年来,深度学习在多个领域均取得了突破性进展,较传统迭代优化算法,通常能以较低的计算开销获得较好的性能。鉴于此,本文基于深度学习研究如何从信息缺失严重的测量数据中重构高质量图像的CS成像算法,旨在解决目前基于深度学习的CS成像算法重构图像存在块伪迹、缺乏可解释性、引入先验不充分及对噪声敏感等问题,并进一步改善基于二值矩阵采样、极端量化及无与测量数据配对数据集条件下的CS成像算法的重构质量。具体研究内容及创新性工作如下:首先,针对基于数据驱动的块压缩感知成像算法重构的图像存在块伪迹的问题,从感受野角度分析并设计无需后处理操作即可有效提取上下文语义信息的多尺度跨通路级联自适应去伪迹压缩成像网络MC~2Net。其中,所设计的自适应去伪迹模块代替了对比算法中的后处理操作,并与重构网络进行端到端联合训练去除逐块重构带来的块伪迹,进一步改善了图像的重构质量。实验验证MC~2Net的有效性及对噪声的鲁棒性。其次,针对现有数据驱动的压缩成像网络缺乏可解释性、泛化能力弱以及在低采样率及含噪情况下重构质量不高的问题,结合经典的优化理论,设计基于非凸优化iPiano算法深度展开的压缩成像网络iPiano-Net。该网络是传统的非凸优化iPiano算法的深度展开,其包含多个非迭代的iPiano-like模块。每个iPiano-like模块包含面向图像块带动量的梯度下降和面向整幅图像网络引导的临近映射。所构建的网络不仅具有可解释性,而且可通过训练一个单一模型实现多个采样率下的重构。实验验证iPiano-Net的有效性和鲁棒性。再次,针对现有压缩成像算法引入先验不充分的问题,将表征局部图像块先验和全局图像先验的正则项引入到块压缩感知重构框架中构建优化模型BCS-LG,并采用半二次分裂算法进行求解。结合深度学习,将求解算法展开为一个具有可解释性的多级渐进自适应重构网络LG-Net。多级结构设计旨在渐进式地改善图像的重构质量。为了获得具有更丰富语义的测量数据,将测量矩阵与重构网络进行自适应联合训练。实验验证LG-Net及自适应测量矩阵的有效性。然后,为了进一步改善基于二值矩阵采样下的压缩感知成像算法的重构质量,采用Douglas-Rachford（DR）算法对所构造的正则优化模型进行求解并深度展开,提出基于自适应二值采样矩阵和自注意力机制的DR展开压缩感知成像网络DR-Trans Net。其中,设计了一个U型临近子网络,旨在先后从小波域和辅助的空间域重构图像,子网络中所构造的基于自注意力的Transformer结构可捕获图像中的长程依赖进而改善图像的重构质量。与此同时,所采用的自适应二值采样矩阵是通过与重构网络进行联合训练所得。实验验证DR-Trans Net的有效性。最后,针对有监督压缩成像算法需要有和测量数据配对的清晰图像的局限性,基于自注意力机制和贝叶斯自监督学习,探究无需配对数据集的自监督压缩成像算法。提出的算法采用贝叶斯卷积算子设计成像网络并分别融合两种构造的Transformer模块,即Swin Transformer模块和基于深度卷积的多头转置注意力及深度卷积的门控前馈网络的Transformer模块,用以有效捕获图像中非局部的长程依赖信息。该算法可以在无需配对数据集的情况下实现较好的重构。实验验证提出的算法对于压缩感知成像任务的有效性,同时也验证算法在测量值含噪情况下的鲁棒性。