压缩感知框架中的信号采样和压缩编码同步完成,省去中间处理冗余数据的过程,对于信号的采集和传输有着极大便利和优势,在图像处理领域有很大的应用前景。近年来,深度网络在拟合训练数据和网络训练上表现出了卓越的性能,对压缩感知图像重建领域有重要应用价值。传统的压缩感知图像重建方法计算复杂度高,图像重建时间长。其次,低采样率情况下的观测值包含信息较少,重建图像质量不佳。本文在分块压缩感知框架下应用深度网络模型提取、增强和融合图像的多尺度结构信息,能在低采样率条件下利用像素间的强相关性重建出图像的细节信息,提升图像重建质量,并提高重建速度。主要研究工作如下:（1）为了在低采样率条件下重建出图像的多尺度信息,提出一种基于分组网络的压缩感知图像重建方法。首先,通过全连接得到块估计值,并设定阈值将图像块分成光滑块、非光滑1类块、非光滑2类块三组。其次,根据图像块的数据特点设计网络模型,为稀疏度高的图像块数据分配较少的重建资源,即对第一类数据直接采用全连接层的结果作为重建值;为稀疏度较低的图像块数据分配较多的重建资源,为二、三类数据设计了基于空洞卷积的结构特征交互模块,进行多尺度特征提取和融合。最后,得到分组后的增强重建值。实验表明,与现有基于神经网络的压缩感知图像重建方法相比,该方法的参数量和图像重建时间较少,并且重建精度有所提升。（2）在上述基于分组网络进行压缩感知图像重建基础上,提出一种融合空间位置与结构信息的压缩感知图像重建方法。该方法能够充分利用图像全局和局部结构信息,融合空间位置信息与结构特征。设计了全图重建支路用于全图重建,对块估计值拼接得到全图估计值,再级联双边滤波和卷积层,应用结构特征交互模块进行全局特征提取和增强,以充分利用相邻图像块边界像素之间的强相关性,对图像相邻块的像素间进行信息交互。实验结果表明,与基于分组网络的压缩感知图像重建方法相比,该方法在复杂度增加不多的情况下,重建质量更高,视觉效果更好,并可以处理更低采样率下的观测值数据。