Le compressive sensing (CS) a été appliqué avec succès à la compression d'images au cours des dernières années, étant donné que la plupart des signaux d'image sont épars dans un domaine spécifique. Plusieurs modèles de reconstruction CS ont été proposés et ont obtenu des performances supérieures. Cependant, ces méthodes souffrent généralement d'artefacts de blocage ou d'effets de halo à faibles taux d'échantillonnage. Pour résoudre ce problème, nous proposons un réseau profond de convolution pour le compressive sensing basé sur la pyramide laplacienne (LapCSNet), qui comprend un sous-réseau d'échantillonnage et un sous-réseau de reconstruction. Dans le sous-réseau d'échantillonnage, nous utilisons une couche de convolution pour simuler l'opérateur d'échantillonnage. Contrairement aux matrices d'échantillonnage fixes utilisées dans les méthodes CS traditionnelles, les filtres utilisés dans notre couche de convolution sont optimisés conjointement avec le sous-réseau de reconstruction. Dans le sous-réseau de reconstruction, deux branches sont conçues pour reconstruire progressivement des images résiduelles et des images cibles à plusieurs échelles en utilisant une architecture de pyramide laplacienne. Le LapCSNet proposé non seulement intègre les informations multi-échelles pour obtenir de meilleures performances, mais réduit également considérablement le coût computationnel. Les résultats expérimentaux sur des jeux de données de référence démontrent que la méthode proposée est capable de reconstruire plus de détails et des contours plus nets par rapport aux méthodes les plus avancées actuellement disponibles.