将光子计数技术与单像素成像结合的单光子压缩成像方法具有成本低、灵敏度高的特点，但该方法使用传统压缩重建算法时重建时间长。基于深度学习的压缩重建网络不仅实现了快速重建，而且可获得更好的重建质量。最近用于单像素成像的压缩重建网络主要基于光探测器工作在模拟方式，采用无噪声或带有加性高斯白噪声的系统仿真数据进行训练。对此，建立了单光子压缩成像系统噪声模型，提出了一种用于单光子压缩成像的抗噪声重建网络（RN）训练方法，使用含有泊松噪声的测量值仿真数据对神经网络进行训练，并搭建单光子压缩成像系统进行验证。实验结果表明，RN能明显提高各种已有压缩重建网络的图像重建质量。在此基础上，提出了一种用于单光子压缩成像的抗噪重建网络（RPN-net），该网络采用跨越式连接结构与阶段式训练方法，实验结果表明其重建性能优于现有的压缩重建网络。

在进行高分辨率成像时,由于需要大量的测量和图像重建计算,单光子压缩成像需要较长的时间。提出了一种采样和重建集成的残差编解码网络SRIED-Net用于单光子压缩成像。将二值化的全连接层作为网络的第一层,并将其训练成二进制的测量矩阵,直接加载到数字微镜阵列上以实现高效压缩采样。除第一层外的其余网络都用于快速重建压缩感知图像。通过一系列的仿真和系统实验比较了压缩采样率、测量矩阵和重建算法对成像性能的影响。实验结果表明,SRIED-Net在低测量率下优于目前比较先进的迭代算法TVAL3,在高测量率下与TVAL3的效果很接近,在所有测量率下都优于目前常见的几种基于深度学习的方法。