压缩感知（Compressed Sensing,CS）技术融合采样和压缩过程,可以从远低于奈奎斯特采样的测量中重建原信号,被成功应用到图像序列成像系统（如编码孔径光谱成像）,大幅提高了成像效率。重建算法是压缩感知研究领域一直重点关注的课题。目前基于深度学习的压缩感知重建算法因较高的重建质量而受到广泛关注,但这些算法通常是监督学习模式,需要在大量数据集上进行网络的预训练,同时针对不同的测量率、测量矩阵和成像模型,需要再次重新训练网络,不利于重建网络在实际应用中的部署。因此,本学位论文着重研究压缩感知重建的非监督网络学习,探讨高光谱图像、自然图像及视频等图像序列的压缩感知重建问题,具体研究内容包括:（1）提出了高光谱压缩快照重建的非监督空谱网络学习算法。基于编码孔径光谱成像方式,构建以压缩快照测量为条件的生成网络来表示高光谱重建的参数化映射。考虑高光谱图像存在空谱相关性这一特点,在条件生成网络中设计了空谱联合注意力模块,通过多尺度的三维注意力机制实现对空谱信息的有效表达。在对目标函数的学习中优化网络参数,使得网络生成的高光谱图像匹配给定的压缩快照测量,无需网络的预训练过程就可实现高质量的重建。（2）提出了一种基于非局部正则约束的压缩感知重建网络。为了增强非监督重建过程中对于噪声的鲁棒性,进一步联合图像序列的非局部正则先验和深度网络先验来学习重建。并设计一种半二次分裂算法来求解复合约束问题,通过引入辅助变量将原问题解耦成两个子问题进行交替求解。第一个子问题只涉及网络参数的学习,第二个子问题对应于图像序列的非局部正则学习。通过在自然图像、视频及高光谱图像等图像序列上的大量实验,验证了本算法能够在提高重建精度的同时,还可保持对噪声的鲁棒性。