本文主要研究了压缩感知(Compressed sensing,CS)领域中的信号重构算法,其可分为三类:手工设计方法、数据驱动方法以及模型驱动方法。手工设计方法依赖于目标信号的先验信息,通常具有可理解性。如近似消息传递算法(approximate message passing,AMP)以及广义近似消息传递算法(generalized approximate message passing,GAMP)等。数据驱动方法采用了神经网络学习得到数据中的结构和目标信号的先验信息,但几乎没有任何理论来支持方法的性能同时只适用于特定的设置。而模型驱动方法兼顾了手工设计方法以及数据驱动方法,如可学习型基于去噪的近似消息传递算法(Learned D-AMP,LD-AMP)将基于去噪的近似消息传递算法(denoising-based AMP,D-AMP)以及去噪卷积神经网络(denoising convolutional neural network,Dn CNN)相结合。然而LD-AMP模型无法应对广义线性模型(generalized linear model,GLM)的信号重构问题。在本文首先提出基于去噪的广义近似消息传递算法(denoising-based GAMP,D-GAMP)以拓展GAMP,使得D-GAMP不再依赖于目标信号的先验分布。在D-GAMP中去噪器与GAMP相结合,同时去噪器采用高性能图像去噪算法,如三维块匹配算法(block-matching and 3-D filtering,BM3D)等。接着为了提高D-GAMP的性能,本文提出了可学习型基于去噪的广义近似消息传递算法(Learned D-GAMP,LD-GAMP)。LD-GAMP模型采用“展开”的思路应用于D-GAMP,将D-GAMP展开为一系列的D-GAMP层(迭代次数)以级联成网络框架,在每个D-GAMP层包括一个基于残差神经网络(Residual neural network,Res Net)的去噪卷积神经网络。LD-GAMP模型不仅具有更高的适用性,同时具有更低的复杂度。其一,相较于LD-AMP模型以及GAMP,LD-GAMP模型可以从量化观测数据中将目标信号高性能地重构出来。其二,其参数量仅仅为LD-AMP模型(基于Dn CNN神经网络)的一半。因此LD-GAMP模型更加稳定,更易于训练。同时LD-GAMP模型对于观测矩阵、压缩比以及噪声水平的变化不敏感。