近年来,随着现代社会的高速发展,信息化时代应运而生,越来越多的人们用手机或者计算机来获得他们需要的数据,一些图像信息也相应的随之增多,而拍照设备的数字化集成度越来越高,存储一张图片所占用的字节数也越来越大,然而存储设备（例如硬盘、U盘等）的发展比较缓慢,其内存空间满足不了日益增长的图片信息存储量,因此,图像信息在传递和存储的过程充满了困难。虽然深度学习在诸多图像处理中应用目标检测、追溯、分类等众多复杂的图像技术问题上都已经取得了重要的突破,但是在图像压缩技术中的应用目前尚未得到充分的挖掘。本文将借鉴深度学习技术在图像处理中的优点,运用深度学习技术来改善和提升图像压缩重构后一些性能指标。以往使用的一些关于图像压缩重构的技术大致可以划分成无损压缩和有损压缩两部分,不会对图像信息造成失真的无损压缩技术有霍夫曼编码、算术编码、游程编码;会对图像信息造成一定程度失真的有损压缩技术有JPEG、JPEG2000、基于预测的编码、图像的分形编码以及相关的神经网络编码。然而,无论是无损压缩技术还是有损压缩技术在图像压缩问题上都存在着一定的弊端,无损压缩虽然可以保证重构图像与原始图像完全一样,但是使用该类方法得到的图像压缩率比较低;有损压缩技术虽然可以提高图像的压缩率减少图像的存储空间,但是在高压缩比的情况下会给重构的图像带来方块效应,且在基于小波的图像压缩技术中,如何选取和组织小波基和小波系数关系到编码复杂度、压缩倍数以及重构图像的还原程度。这些都需要在前期做大量的准备工作,最后得到的重构图像效果也不一定好。由于卷积神经网络具有很多的网络参数可以较为准确的提取出图像的本质信息,传统的图像压缩技术又拥有着较高的压缩比,将这两种技术的优势结合起来,提出了两种在原始的网络模型上进行了修改的图像压缩模型框架,分别是改进的SRCNN图像压缩模型框架和改进的SPCNN图像压缩模型框架。对改进后的模型的网络组成、结构框架、实验在什么样的环境中进行、实验进行过程中需要的参数大小、所得数据、图像结果的分析都作了较为详细的对比报告。通过实验结果可以分析得到,使用所提的两种模型进行压缩重构后的图像特征和相关数据指标特征都有不同的地方,如果想要最后压缩重构出来的图像占用的内存空间大小比较小,可以用本文提出的SRCNN图像压缩模型框架来对一幅图像进行压缩重构的操作;如果需要对低光照低纹理度图像完成压缩重构,且有着良好的视觉效果的话,可以用本文提出的SPCNN图像压缩模型框架来对一幅图像进行压缩重构的操作。