在当今社会,由于信息的快速发展,使得人们对图像处理和视频处理的需求越来越高。奈奎斯特采样定律因其采样成本大,冗余数据多,浪费大量硬件资源等缺点,已经不能满足当今社会对图像处理越来越高的要求。由于压缩感知理论以亚奈奎斯特速率获取测量值并恢复图像,因此被广泛应用于图像处理中。虽然传统的压缩感知重构算法在一定程度上解决了图像重构方面的缺陷,比如:抗干扰能力差、复杂度高、浪费资源等问题,但是传统的压缩感知重构算法也面临着一些问题:传统的压缩感知重构算法大多都是迭代的,因此这些重构算法有计算成本昂贵,重构耗时久等问题。近几年,随着深度学习的不断发展,卷积神经网络进入了人们的视野。卷积神经网络因其自适应能力强,自动提取特征,局部感知和权值共享等优势,已经成为另一个研究热点。将卷积神经网络应用于压缩感知重构算法,可有效避免传统重构算法计算量大的缺点,并构建一个良好的重构图像,加快重构时间,达到实时重构的效果。本文主要针对基于卷积神经网络的压缩感知重构算法进行改进,主要工作如下:(1)提出一种新的压缩感知重构网络CombNet,它由一个线性映射网络和十二层的全卷积网络构成,线性映射网络用全连接层来表示。实验是将一幅图像进行分块处理,分为不重叠的图像块,再通过压缩感知技术,将这些图像块的压缩感知测量值作为CombNet的输入,通过线性映射网络和全卷积网络输出重构图像块,并将这些图像块整合起来,就得到了一个具有块状伪影的图像,再将这个图像通过一个滤波器,就得到了最终重构图像。CombNet中的线性映射网络对图像信息进行了初步的恢复,全卷积网络增强了CombNet的学习能力,进一步提高了CombNet的重构精度。实验将CombNet与其他算法的重构峰值信噪比进行对比,实验证明,比起传统的重构算法和三种现有的基于卷积神经网络的压缩感知重构算法,CombNet具有较高的重构精度和结构相似度。(2)实验在CombNet基础上,增加了一个残差块,增强了CombNet网络的学习能力,该网络叫FCNet。实验选择了伯克利图像库中的标准测试图像,在四种不同采样率下重构,通过对比七种算法在有无滤波器时的峰值信噪比,得出实验结论。实验证明,在相同的采样率下,FCNet有着更小的重构误差,能更有效地提取场景信息,在提高图像重构精度,达到更好的重构视觉效果的同时,实现了实时重构。