基于通用信源编码理论的高阶熵编码被广泛应用于图像、视频、生物医学信息等方面的编码系统中。为了解决高阶熵编码实现所遇到的“模型稀释”问题,应对Context模型进行量化,其目标是通过设计一个优化的Context量化器对Context模型进行量化,以进一步提高数据的压缩比。本文通过对Context量化理论、Context量化器的设计原则以及对传统的K-means聚类和PSO聚类的分析研究,设计出了基于KPSO聚类算法的Context量化器系统。论文主要分为构建Context模型和基于聚类算法的Context量化两个方面。在构建Context模型方面,本文根据小波变换理论对图像进行了6层二维离散小波变换,对变换后的系数矩阵进行了带截止区的均匀量化,再将量化系数分解成四个小字符符号流：重要位置流、符号流、最高位置流及剩余比特流,最后我们只对重要位置流构建Context模型进行分析研究。在基于聚类算法的Context量化方面,本文首先讨论分析Context量化器的设计原则和量化标准,选择合适的失真度量准则。再详细的介绍了传统K-means聚类算法和KPSO聚类算法。最后,介绍了Context量化器系统具体的实现过程。本文实验的图片数据来自于TUSC-SIPI图片数据库,实验证明了在给定量化级数的情况下,基于KPSO聚类算法比K-means聚类算法所设计的Context量化器更优越,所得到的熵编码效率也有所提升。