压缩感知(Compressive Sensing,CS)作为一种新颖的采样理论,能有效地利用信号的稀疏特性来节省数据采集、传输和存储的成本,因而能被用于无线通信,信号采集等多个领域。然而,由于“稀疏字典与信号不匹配”及“非线性重构算法不准确”这两个原因,传统压缩感知存在着“重构信号有误差”这一问题。本文旨在利用深度学习“端到端学习”与“随网络复杂度增加,网络可以逼近任何函数”这两个特性,解决上述问题。具体工作及成果如下:1、为分析传统压缩感知中稀疏基和重构算法对重构信号误差的影响,本文结合超宽带信号(Ultra Wide Band,UWB)和手写数字图像信号(MNIST)对比了离散余弦变换、离散小波变换、离散傅里叶变换、单位矩阵等稀疏转换基对UWB和MNIST的重构信号的影响,还对比了贪婪重构算法与凸优化类重构算法对UWB和MNIST的重构信号的均方误差(Mean Square Error,MSE)与峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)。仿真表明,针对时域稀疏的一维信号,单位矩阵在各采样率下的MSE均低于其他常见稀疏转换基。而针对图像信号,小波基在各采样率下的PSNR均高于其他稀疏转换基。同时,相比于凸优化类重构算法,贪婪算法能在较短时间内重构出误差更小的信号。2、针对1中所分析出的稀疏转换基对重构精度有影响这一问题,本文提出了一种生成网络压缩感知重建算法(Generative Network Compressive Sensing,GN-CS)。GN-CS通过利用生成对抗网络,在不需要设计稀疏转换基的前提下对信号进行重构。并且,通过GN-CS重构得到的信号的MSE比通过传统算法重构得到的信号的MSE更小。为保证重构信号与真实信号尽可能相似,GN-CS结合传统压缩感知中的约束条件,重新设计了网络的损失函数。与传统算法相比,GN-CS的创新性体现在利用生成网络自动生成信号而非直接重构信号,以此免去设计稀疏转换基典。同时,GN-CS的另一创新性在于GN-CS是一种惰性学习算法,与现有的基于深度学习的压缩感知技术相比,GN-CS不需要大量的数据进行预训练,避免了算法只能重构与训练信号概率分布相同的信号。仿真表明,针对UWB信号,GN-CS所得重构信号的MSE比使用传统稀疏基所得重构信号的MSE更低。而针对MNIST信号,GN-CS所得重构信号的PSNR比使用传统稀疏基所得重构信号的PSNR更高。3、针对贪婪重构算法中的正交匹配追踪算法(Orthogonal Matching Pursuit,OMP)找到的稀疏索引可能与真实索引不同这一问题,本文提出了一种DCR-OMP算法,达到了大幅度降低重构信号MSE的效果。该算法是基于OMP与深度残差卷积网络(Depthwith Convolutional ResNet,DCR)的新型的压缩感知重建算法。DCR-OMP解决了OMP算法在每次迭代时,寻找的与残差最大相关性的索引,可能不为稀疏索引这一问题。DCR-OMP利用了两个网络,一个为索引搜索网络,一个为判决网络。不同于OMP算法利用内积获得与残差最大相关性的索引,搜索网络利用大数据进行预训练并判断与残差最大相关性的索引。其次,为保证该索引在稀疏点上,利用第二个判决网络进行判断,如果不在稀疏点的位置,重新迭代。仿真表明,相较于传统OMP,DCR-OMP重构的UWB的MSE更小且DCR-OMP重构所得的MNIST的PSNR更高。并且,在不同信噪比(Signal To Noise Ratio,SNR)下,DCR-OMP具有更强的鲁棒性。