Die komprimierte Sensierung (Compressed Sensing, CS) wurde in den letzten Jahren erfolgreich auf die Bildkompression angewendet, da die meisten Bildsignale in einem bestimmten Bereich dünn besetzt sind. Mehrere CS-Rekonstruktionsmodelle wurden vorgeschlagen und erzielten überlegene Leistungen. Dennoch leiden diese Methoden in den meisten Fällen bei niedrigen Abtastverhältnissen unter Blockartefakten oder Ringingeffekten. Um dieses Problem zu lösen, schlagen wir ein tiefes konvolutorisches Laplace-Pyramiden-Kompressionsnetzwerk (Laplacian Pyramid Compressed Sensing Network, LapCSNet) für CS vor, das aus einem Abtast- und einem Rekonstruktionsunternetz besteht. Im Abtastunternetz nutzen wir eine konvolutorische Schicht, um den Abtastoperator zu simulieren. Im Gegensatz zu den festgelegten Abtastmatrizen, die in traditionellen CS-Methoden verwendet werden, werden die Filter unserer konvolutorischen Schicht gemeinsam mit dem Rekonstruktionsunternetz optimiert. Im Rekonstruktionsunternetz sind zwei Zweige entworfen, um multiskalige Residualbilder und multiskalige Zielbilder schrittweise unter Verwendung einer Laplace-Pyramiden-Architektur zu rekonstruieren. Das vorgeschlagene LapCSNet integriert nicht nur multiskalige Informationen zur Erreichung besserer Leistungen, sondern reduziert auch den Rechenaufwand erheblich. Experimentelle Ergebnisse an Standarddatensätzen zeigen, dass die vorgeschlagene Methode im Vergleich zu den besten bisher bekannten Methoden mehr Details und schärfere Kanten rekonstruieren kann.