随着网络通信的高速发展,图像数据安全就显得格外重要,而压缩感知（Compressed sensing,CS）图像加密是图像数据安全中一个热点的研究方向。压缩感知以随机测量的形式捕获图像数据,其可在采样的同时实现压缩和加密,降低了存储空间。而在压缩感知的研究中,重建方法是研究的热点课题。一方面,传统的基于迭代优化的重建方法,要么运行效率低,要么在低测量率下重建质量差。另一方面,现有的深度学习重建方法得到的重建图像的部分重建细节模糊、重建质量有待提高。此外,现有压缩感知加密方法仍使用传统CS重建方法,同样存在重建过程耗时长、低测量率重建质量差的问题。为了解决这些富有挑战性的问题,本文基于深度学习和压缩感知,开展了图像的深度学习压缩感知重建方法及其加密应用的研究。具体而言,主要研究内容如下:（1）提出了一种基于生成对抗网络（Generative Adversarial Network,GAN）和全图像去噪的采样重建网络框架（GAN based Sampling and Whole image Denoising Network,SWDGAN）,以解决传统压缩感知重建算法存在的低测量率重建质量较差和运行速度慢的问题。SWDGAN在不影响运行效率的情况下引入全图像稠密残差去噪模块（Whole image dense residual Denoising Module,WDM）,以增强特征表示,消除伪影噪声。本算法将无偏差的全连接层网络作为采样网络,提高了采样的灵活性及图像重建质量。此外,本网络去除了批处理归一化（Batch Normalization,BN）层,以避免BN伪影的影响。实验结果表明,SWDGAN在重建质量和运行速度上与传统CS重建算法及最先进的深度学习方法相比具有一定的优势。（2）提出了一种结合生成对抗网络、卷积神经网络（Convolutional Neural Network,CNN）去噪和混沌系统的鲁棒压缩感知图像加密算法,以解决压缩感知图像加密算法在实际应用中存在的加解密速度较慢、压缩性能较差和鲁棒性不高的问题。首先,利用采样网络获取明文图像的测量值。然后,利用Logistic-Tent混沌系统生成的混沌序列置乱测量值,得到密文图像。解密方对密文图像进行逆置乱操作得到解密测量值,并通过重建网络将解密测量值重建为解密重建图像。最后,利用CNN去噪网络去除图像噪声,生成最终解密图像。仿真结果一致表明,本方案与传统压缩感知加密方案相比,图像重建质量和运行效率得到提升,并具有较好的鲁棒性能和安全性。（3）提出了一种基于多颜色空间和纹理信息的压缩感知图像加密算法（A deep image Compressed Sensing Encryption Network using Multi-color space and Texture feature,CSENMT）,以解决现有压缩感知重建及加密算法存在的灰度和彩色重建质量不理想、纹理细节缺失等问题。设计的基于纹理信息的多颜色空间采样重建网络（Multi-color space and Texture Network,MTNet）能充分利用RGB和YUV各颜色空间及通道间的差异性和联合性,实现灰度图像和彩色图像的高视觉质量重建。此外,基于混沌系统和明文信息的自适应置乱方法（Adaptive Permutation based on Chaotic system and Plain image,APCP）在二维行列置乱的基础上,对彩色图像的通道间像素进行置乱,削弱了通道间像素的相关性。灰度图像和彩色图像的实验结果均表明,本方法在重建质量、视觉表现力、效率和安全性上均表现出较高优势。