En este artículo, presentamos un novedoso método de aprendizaje bayesiano escaso (SBL) para la reconstrucción de imágenes. Integraremos el algoritmo de paso de mensajes aproximado generalizado (GAMP) y priors jerárquicos laplacianos (LHP) en un modelo básico de SBL (llamado LHP-GAMP-SBL) para mejorar la eficiencia de la reconstrucción. En nuestro modelo SBL, la estructura GAMP se utiliza para estimar la media y la varianza sin inversión de matriz en el paso -, mientras que LHP se utiliza para actualizar los hiperparámetros en el paso -. La combinación de estas dos estructuras profundiza aún más las estructuras jerárquicas del modelo. La capacidad de representación del modelo se ve mejorada para que la precisión de la reconstrucción pueda ser mejorada. Además, la introducción de LHP acelera la convergencia de GAMP, lo que acorta el tiempo de reconstrucción del modelo. Los resultados experimentales verifican la efectividad de nuestro método.