单像素成像(Single-pixel imaging,SPI)作为一种前沿的计算成像技术,随着计算机算力的提高而飞速发展。在非可见光波段面阵探测器往往造价昂贵甚至难以获得,单像素成像方法可以大幅降低这些波段内的成像探测成本。除此之外,单像素成像方法可以通过压缩采样的方式提高采集速度。然而,在当前的单像素成像方法中,压缩采样后图像质量还很难达到光学系统中实际应用的成像需求,因此我们只能在时间成本和成像质量之间做出取舍。我们寻求一种新的单像素成像方法,能够获得高质量的图像同时降低时间成本。经过大量实验和深入研究,我们提出了一种基于深度学习的单像素成像方法来满足上述需求。我们使用了深度神经网络中的生成对抗网络(Generative Adversarial Networks,GAN),该网络通过优化测量矩阵和重构算法,在相同压缩率下得到更好的图像质量。相比于其他单像素成像方法在压缩成像时的人为编码选择,该深度神经网络可以通过学习大量的图像得到较为客观的照明编码图案,从而在相同的压缩率下比其他方法有更好的图像质量。通过仿真实验,我们将基于深度学习的单像素成像方法与压缩感知方法、Hadamard单像素成像方法以及傅里叶单像素成像方法进行的量化对比分析,在12.5%的极低压缩比下,我们的方法峰值信噪比比其他方法中最好的结果高出20%,如果经过GPU加速,我们可以实现50倍于传统方法的重建速度。为了研究我们的方法的实用性,我们搭建了单像素成像系统来实现单像素成像方法的真实成像。我们通过这个单像素成像系统对比了上述几种单像素成像的结果。在分辨率版、生物样品等成像结果中,本论文提出的方法在重建质量都高于其他几种单像素成像方法,说明了此方法在实际应用中也具有成像优势。最后,我们本文工作进行了总结,根据本课题的研究经验分析了目前单像素成像中尚待解决的一些问题,设想了一种可能的解决方案。我们还对单像素成像方法发展的潜在方向做出了展望。