图像作为当代信息传递的重要组成成分,它的处理方式和传输技术需要满足在大数据时代背景下更加严厉的要求。为了保证能够完整地重建图像信号,需要采用奈奎斯特（Nyquist）采样定理进行编码,这意味着将会需要占用更大的传输带宽资源。图像压缩感知技术可以从少量的采样信息中实现图像信号的完整重建,因此该技术可以大幅地降低图像信号的存储和传输成本,在未来的应用场景中具有更大的发展潜力。近年来,得益于深度学习强大的大数据训练和并行运算特性,基于深度学习的图像压缩感知重建算法展示了强大的重建性能。然而,目前基于深度学习的图像压缩感知重建算法仍然存在性能瓶颈,部分算法过度地依赖大量的神经网络参数来提高重建性能,而这种方式的有效性仅仅是局限在一个小范围内。为此,本文结合图像压缩感知和深度神经网络的特点,在基于神经网络参数多样性的方向上对图像压缩感知重建算法展开研究,其中主要的研究工作如下:（1）提出了一个基于稀疏神经网络的图像压缩感知重建算法。具体地,结合图像压缩感知任务的特点,通过所提出的RLTH剪枝算法的选择性权重参数提取策略和基于参数的均衡学习策略从随机初始化的网络模型中寻找最优的稀疏子网络。通过这种方式,降低了原始网络模型因过参数化和复杂化而产生的消极影响,在不改变网络模型的结构和不产生额外的计算开销前提下显著地提高重建的性能。实验结果表明,应用所提出的RLTH剪枝算法得到的稀疏网络模型与原始网络模型相比具有更强的特征选择和特征提取能力,在重建性能上获得了显著的提升。（2）提出了一个基于多样化特征融合网络的图像压缩感知重建模型,称之为RLTH-CS。具体地,在图像的特征重建过程中,将其所包含的长路径和短路径模块通过应用不同剪枝策略的RLTH剪枝算法进行权重参数的选择性提取,并分别学习捕获图像的中高频段和低频段的图像特征。最后,将输出的低中高三个频段的图像特征进行交叉融合,并在网络模型的输出端得到最终的重建图像。实验结果表明,所提出的RLTH-CS模型优于近年来重建性能先进的图像压缩感知重建算法。