针对传统压缩感知(CS)进行复杂的迭代运算，重构时间长且质量差等问题，结合深度学习方法，提出一种自适应非线性测量卷积神经网络(NMECNN)的压缩感知重构算法。本算法将图像整体宽高进行压缩，作为测量网络替代传统的随机测量矩阵进行图像重建，同时利用多个扩张卷积层和上采样PixelShuffle方法获取图像不同尺度细节信息。通过与其他文献进行实验对比，本算法在不同采样率下，平均峰值信噪比(PSNR)分别高于MSRNets算法1 dB, 0.7 dB, 0.82 dB, 1.61 dB；结构相似性(SSIM)值分别高0.03, 0.04, 0.24, 0.10个单位，重构时间在CPU上比MSRNet算法快0.175 5 s, 0.399 8 s, 0.41 s, 0.396 s。最后通过大数据集与噪声实验，验证了本算法图像重构质量明显提高，重构时间大幅缩短，具有很强的抵抗噪声攻击能力。