随着信息时代的快速发展,人们更加热衷于通过视频和图像等方式分享和交换信息。然而手机等智能设备的不断升级,使得单幅图像所需的存储资源越来越多。海量的图像信息交互给整个网络系统中数据的传输带宽、设备的存储空间以及图像数据的处理都带来了前所未有的压力。因此,设计高效、适用的图像压缩方法成为了图像压缩研究领域的新目标。传统的图像压缩方法JPEG、JPEG2000、BPG等经过几十年的发展,其性能要想得到进一步提升已经非常困难。近年来,由于硬件设备的迅速发展,计算机系统的处理速度和存储能力都得到了进一步增强,从而为深度学习技术发展所需的硬件基础提供了保障。目前深度学习技术在很多图像研究领域做出了令人瞩目的成绩。在这样的背景下,使用深度学习技术构建性能更加优越的图像压缩方法必然是极具潜力的研究方向。本文首先分析了不同深度学习方法在图像压缩领域的研究现状。然后以基于卷积神经网络的图像压缩框架为基础展开了研究并提出了改进,具体的研究工作总结如下:1.针对图像压缩中变换不能完全去除内部特征冗余和码率分配技术有待改进的问题,本文提出了一种面向感兴趣区域的深度学习图像压缩方法。该方法将一种重要性图提取模块嵌入到编码器端,通过提取编码器端的最后一层输出特征来生成重要性图,最终生成的掩码用于指导熵编码过程中码率的高效分配。在编码过程中,对图像中的平滑区域分配较少的码率;对图像中具有复杂结构和丰富细节的区域,即人眼视觉中的感兴趣区域,分配较多的码率。这样的码率分配策略可以在码率一定的情况下降低图像的失真。实验结果表明,本文方法在多尺度结构相似性（MS-SSIM）指标的性能对比上以及重建图像的视觉质量上都要优于几种对比方法。2.针对有损图像压缩方法通过降低重建图像质量来换取更高压缩比的问题,本文提出了一种面向解码端增强的深度学习图像压缩方法。该方法将使用改进的残差网络（ResNet）构成的一种解码端增强模块嵌入到解码器输出端,用以预测重建图像中的高频分量。通过增强重建图像中的细节信息来提高重建图像的质量。实验结果表明,本文方法在MS-SSIM指标上与对比方法相比提升了性能,在重建图像上增强了更加丰富的边缘细节信息。