基于压缩感知理论的单像素成像技术以其独特的成像方式受到广泛关注,已应用于生物医学成像、太赫兹成像和高光谱成像等多个领域。采用单光子探测器作为单像素相机中的探测器,可将经典的单像素相机扩展到单光子水平,实现单光子计数压缩成像,具有低成本和超高灵敏度的优势。但单像素成像速度非常慢,限制了其在实时场景的应用。研究获取最有效信息的采样方法以减少测量次数和优化重建算法实现快速图像重建是提高单像素成像速度的两条途径。围绕这两条途径,本文基于空间变分辨成像和深度学习方法对单光子压缩成像技术的优化展开研究,主要工作内容及成果如下:（1）提出了采样和重建联合优化的空间变分辨迭代收缩阈值网络。基于空间变分辨成像和神经网络中的全连接层的模型,以非均匀像素组合的方式设计了一类可训练的变分辨测量矩阵;设计了一种针对不同分辨采样区域的均方误差分别加权的差异化损失函数;将这种采样重建联合优化模型和迭代收缩阈值网络（ISTA-Net+）相结合,提出了SVR-ISTA-Net+。通过仿真实验验证了采样模型,损失函数和测量矩阵训练对于网络性能的影响。结果表明,本文提出的SVR-ISTA-Net+在相同的采样次数下相对于均匀采样可以大幅地提升图像中心区域的成像质量,且提升效果随采样率增长而增长,充分地利用了采样信息。（2）在单光子压缩成像系统上对SVR-ISTA-Net+进行了验证。将二值化神经网络的训练方法应用于网络的采样层,使得其可以训练得到用于单光子压缩成像系统的二值测量矩阵。对系统进行蒙特卡洛建模验证可行性并进行实际实验。结果表明,该网络在实际应用场景也能有效地提升图像中心区域的成像质量。（3）提出了卷积采样和重建联合优化的空间变分辨迭代收缩阈值网络。基于空间变分辨成像和神经网络中的卷积层的模型,设计了共享权重和不共享权重两类可训练的变分辨测量矩阵;针对不同分辨的采样区域提出一种非均匀随机步长设置方法;将这种变分辨卷积采样模型应用于SVR-ISTA-Net+。通过仿真实验验证了卷积采样和随机步长设置对于网络性能的影响。结果表明,本文提出的不共享权重的卷积采样模型能在保持对图像中心区域的高质量重建的同时大幅减少采样层参数数目,节省系统资源。