不同于奈奎斯特采样定理所规定的采样率必须大于或者等于信号最高频率的2倍,压缩感知理论指出如果一个信号在某一变换域内是稀疏的,该信号可由少量的采样值精确重构。作为一种新的信号采样方式,压缩感知为信号与信息处理提供了新的准则,对降低信号的存储传输成本具有重要意义,在通信、成像以及图像处理等领域具有良好的应用前景。压缩感知重构旨在从降维的采样值还原出原始的被测量信号,是压缩感知理论研究的核心问题。近年来,基于深度网络的方法在压缩感重构中表现了良好的潜能,相比于传统的模型优化方法优势明显。但是,现有的一些深度重构网络还存在网络过深难以训练、低采样率下重构图像质量差、网络计算量和参数量过大等不足。针对以上问题,在分析压缩感知基本原理基础上,本文围绕多分辨互补重构展开研究,探讨多分辨率图像的并行重构,以及利用相对准确的低分辨率图像引导高分辨率图像的高质量重构;同时探讨将不同分辨率图像的深度特征交叉融合以增加信息的完整性,提升重构图像质量。本文的主要工作与贡献如下:1)基于多通道网络能较好改善深度网络特征表示能力的发现,设计了一种双路信息互补增强的压缩感知深度重构网络。具体地,重构网络由两个并行通道组成,一个通道实现对图像原始分辨率的重构,而另一个通道实现对图像的降采样重构;中间部分利用低分辨率图像深度特征的通道注意力协助高分辨率通道特征的判别选择;最后将两路信息融合,以实现信息的互补增强。基于公开发布的标准测试集的大量实验验证了该方法在提升深度网络的图像重构质量方面的有效性。2)基于不同尺度的特征交叉融合能有效增强信息的完整性从而提升重构图像质量的发现,在1)工作的基础上,进一步设计了一种多分辨率深度特征互补增强的图像压缩感知重构网络。具体地,设计的深度重构网络包含多个通道,分别进行原始分辨率图像的重构和降采样分辨率图像的重构;同时利用低分辨率通道提取的注意力信息辅助高分辨率通道的特征判别选择,以及不同通道提取的深度特征交叉融合的策略,有效增强特征信息的流动性。大量实验结果验证了该方法比现有同类先进方法能得到更佳的重构图像质量。