El Aprendizaje Compresivo (CL) es un paradigma emergente que permite a los modelos de aprendizaje automático realizar inferencias directamente a partir de mediciones comprimidas, reduciendo significativamente los costos de detección y computación. Si bien los enfoques CL existentes han logrado una precisión competitiva en comparación con los métodos tradicionales en el dominio de la imagen, generalmente dependen de la reconstrucción para abordar la pérdida de información y a menudo descuidan la incertidumbre que surge de datos ambiguos o insuficientes. En este trabajo, proponemos MCS-TCL, un marco CL novedoso y confiable basado en Muestreo de Sensado Compresivo Multifuncional. Nuestro enfoque unifica el muestreo, la compresión y la extracción de características en una sola operación al aprovechar la compatibilidad entre el sensado compresivo y el aprendizaje de características convolucionales. Este diseño conjunto permite una adquisición eficiente de señales mientras se preserva la información discriminativa, lo que conduce a representaciones de características que permanecen robustas a través de diferentes ratios de muestreo. Para mejorar la fiabilidad del modelo, incorporamos el aprendizaje profundo evidencial (EDL) durante el entrenamiento. EDL estima la distribución de evidencia sobre las clases de salida, lo que permite al modelo cuantificar la incertidumbre predictiva y asignar mayor confianza a las predicciones bien fundamentadas. Experimentos extensivos en tareas de clasificación de imágenes muestran que MCS-TCL supera a los métodos CL existentes, logrando una precisión de vanguardia a una baja tasa de muestreo del 6%. Además, nuestro marco reduce el tamaño del modelo en un 85.76% mientras proporciona estimaciones de incertidumbre significativas, demostrando su efectividad en escenarios de aprendizaje con recursos limitados.