随着卷积神经网络技术在图像分类,人脸识别等视觉领域成功应用,在解决压缩感知图像重建的问题中,将传统相关理论与深度学习技术相结合,具有巨大实现意义。在基于深度学习的压缩感知重建问题中,由于对图像中特征提取不充分,导致重建图像平滑,高频边缘纹理信息损失。其次,在较低采样率下,所采样得到的信号中包含信息较少,造成重建图像出现信息丢失、图像模糊现象。若能有效利用图像中的各种结构先验信息,则对图像重建具有较大助益。本文在基于分块压缩感知框架下,将深度学习技术与图像中的结构稀疏性先验信息进行结合,指导深度网络结构、相关损失函数设计。在低采样率下,实现对重构图像解空间的约束,有效重建图像高频信息,提高图像重建精度。研究内容如下:（1）将图像块结构稀疏先验、图像非局部自相似先验与深度网络结合,提出一种基于结构组稀疏网络的图像压缩感知重建算法。首先,利用观测值相似性度量为图像观测值构造相似组,将相似组输入两分支卷积神经网络;其次,将观测值相似组输入边缘轮廓重构分支,通过其中的局部残差递归网络和亚像素卷积层,获得对图像边缘轮廓的重建;将观测值相似组输入局部细节重构分支,通过其中的密集连接网络和多尺度编解码网络模块,获得对图像细节纹理的重建;最后,将两分支重建图像进行融合,输出得到对原始图像的最优重建图。设计并采用结构组稀疏约束损失对网络训练进行约束,提高网络训练稳定性,增强图像解空间的唯一性。实验结果表明,所提出的方法与现有的基于卷积神经网络的压缩感知图像重建方法相比,网络能够有效对图像边缘轮廓,细节纹理信息重建,重建图像视觉效果更好。（2）依据图像非局部均值理论,利用图像非局部自相似结构稀疏先验指导深度网络结构设计,提出一种基于非局部特征融合网络的图像压缩感知重建方法。该方法利用相似图像块间的互补信息对单个图像特征进行协同表示;采用由粗到细的思想设计两阶段重构网络框架。第一阶段,为每个图像块的压缩观测值构造协同重构组,利用线性映射网络得到粗精度初始重建图像组;第二阶段,将组内初始重建图像进行通道拼接后输入由非局部特征自适应交互模块堆叠而成的全局残差重构网络,对图像块细节信息进行精确重构,得到最终的输出图像。最后,构建并采用图像块稀疏约束损失对网络训练进行约束。实验结果表明,利用图像非局部自相似性结构稀疏先验协同图像块进行信息重建,重建图像在较低采样率下,图像评价指标PSNR,SSIM均取得较大提升。