近年来,智能农业的发展也是十分迅速,对农业图像做出针对化处理也是智能农业的必要需求。卷积神经网络在图像视觉处理方面也显露出了它巨大的优势。在农业方面,将神经网络应用于农作物的病虫害识别、果实分类分级等领域的工作也有了突破性的研究成果。然而在农业图像压缩领域,图像编解码性能、成像质量等还有待提升,因此具有更多的研究空间和研究价值。本文将利用深度学习在计算机视觉方向的发展来对农业图像的压缩做出进一步的研究。本文首先基于卷积神经网络这项新兴热门技术对农业图像压缩进行研究,针对于现有的农业图像压缩编解码性能不高的问题,使用了一种基于卷积神经网络内容加权的图像压缩框架来实现农业图像压缩,将卷积神经网络应用到农业图像压缩领域。这个压缩框架解决了将卷积神经网络应用于图像压缩中量化和熵率估计引起的问题,得到了比传统的图像压缩方法（如JPEG,JPEG2000和BPG等）更好的压缩效果。本文的图像压缩结构中引入了内容加权的重要性图,它能够更好的指导压缩过程中本地比特率的分配,并根据本地信息的重要度来控制熵编码,合理地去掉那些在人眼中相对不那么重要的信息。根据实验得到,本文提出的网络框架在性能上较传统方法有了较大的提升,并且应用于农业图像领域得到了令人满意的视觉效果。然后针对农业压缩图像中图像质量不高的问题,如大棚农业内图像监测设备水平低,从而造成农业图像的成像质量不佳;又如压缩图像质量能否做到进一步提升等。本文提出利用卷积神经网络,针对农业图像压缩的后处理阶段,使用了一种残差密集网络框架来实现农业图像压缩后的超分辨率重建。在重建的网络框架中通过使用多种残差模式和特征融合来增强对输入农业图像特征的学习,其中的局部密集残差模块和全局的残差学习,能够使网络得到更好地训练,并且更好地学习得到农业图像的细节部分。根据以智能农业大棚监测图像制作的数据集为基础得到的实验结果表明,本文提出的方法能有效地增强农业图像的质量,使压缩图像质量得到提升,图像质量在视觉效果上令人满意,能够更适应地满足智能农业发展背景下对农业图像使用的需求。