随着计算机技术、多媒体技术以及网络通讯技术的快速发展,数字图像处理的相关技术被广泛地应用于人类社会生活的各个方面。视觉是人类获取外界信息的主要途径之一。在现实场景中,受限于图像传输带宽和存储成本等影响,在传输、存储过程中往往不能将图像完整的保存下来,需要对图像进行不同程度的压缩,进而导致所获图像质量受到影响。特别地,近几年随着移动互联网的快速发展,越来越多的用户在移动设备上观看图像,受限于移动设备的存储空间、传输带宽和观看窗口。因此,如何在保证视觉感受的同时,高效地缩小图像,同时在需要时将图像恢复到原始大小或进行其他应用是图像应用的关键性问题之一。本文基于卷积神经网络对图像缩小方法进行研究,包括结合知识蒸馏的方法和基于域适应的方法。首先,考虑到卷积神经网络良好的特征提取能力,本文提出了一种结合知识蒸馏的基于卷积神经网络的图像缩小方法。该算法首先使用逆亚像素卷积层将图像无损转化为特征,再通过一个密集残差注意力模块从像素级的浅层特征中提取出适用于图像缩小的高维特征,最后再将高维特征利用卷积层映射到低维空间中,得到小图输出。其次,为了进一步提高现有的基于卷积神经网络的图像缩小方法性能,本文采用知识蒸馏的方式,用于平衡图像缩小与图像超分辨率之间的结果。将使用双三次插值作为损失函数的模型作为教师模型,使用双线性插值作为损失函数得到的模型作为学生模型,通过知识蒸馏的方式来优化图像缩小与超分辨率性能。实验结果表明,本文提出的结合知识蒸馏的卷积神经网络图像缩小方法与现有的其他方法相比,在客观指标和主观综合评价中,都能取得更好的结果。同时将生成的图像运用到在超分辨率任务上,作为超分辨率算法模型的输入,也可以得到更先进的重建性能。进一步地,本文提出了一种基于域适应的卷积神经网络图像缩小方法。首先我们发现使用纯矢量图形作为监督信息训练得到的图像缩小网络也可以用于位图的缩小,这表明位图与矢量图在某一个特征空间中是属于同一个嵌入空间的。受到这一点的启发,该方法将矢量图与位图同时作为卷积神经网络的输入,通过减少两类图像在再生希伯特空间中的距离使网络学习如何提取矢量图与位图的共性特征,然后将该特征映射到位图所在的空间,得到最终的图像缩小结果。实验结果表明,该方法可以取得更好的图像缩小性能。