In den letzten Jahren haben tiefe neuronale Netze (Deep Neural Networks, DNN) die Komprimierte Abtastung (Compressed Sensing, CS) erheblich vorangetrieben und eine hohe Rekonstruktionsqualität sowie Geschwindigkeit erreicht, die traditionelle CS-Verfahren weit übertrifft. Dennoch gibt es noch zahlreiche Herausforderungen, die weiter erforscht werden müssen, bevor die Methode praktisch ausreichend anwendbar ist. In der CS bestehen zwei zentrale Probleme: einerseits die effiziente Datenerfassung und andererseits die Rekonstruktion von hochwertigen Bildern. Um diese beiden Herausforderungen anzugehen, wird in diesem Artikel ein neuartiges Runge-Kutta-Convolutionales Komprimierte-Sensing-Netzwerk (RK-CCSNet) vorgestellt. Im Erfassungsstadium wendet RK-CCSNet ein sequenzielles Faltungsmodul (Sequential Convolutional Module, SCM) an, um die Messwerte schrittweise durch eine Reihe von Faltungsfiltern zu verdichten. Im Rekonstruktionsstadium integriert RK-CCSNet einen neuartigen gelernten Runge-Kutta-Block (Learned Runge-Kutta Block, LRKB), der auf den bekannten Runge-Kutta-Verfahren basiert, und reformuliert den Prozess der Bildrekonstruktion als diskretes dynamisches System. Schließlich erreicht die Implementierung von RK-CCSNet state-of-the-art-Leistungen auf etablierten Benchmark-Datenbanken im Vergleich zu führenden Baseline-Methoden, und der gesamte Quellcode ist unter https://github.com/rkteddy/RK-CCSNet verfügbar.