图像作为现代主流的信息载体,给日常生活带来便利的同时也给存储与传输设备带来较大的挑战。故在图像进行传输或存储前降低其数据量是十分有必要的。通过将高比特图像量化为低比特图像能够实现对图像的简单压缩,然而,降低图像的比特深度会带来颜色失真和伪轮廓的问题,这将严重影响观看体验。现阶段基于神经网络的比特深度增强算法能够在一定程度上抑制低比特图像中的颜色失真和伪轮廓的问题,然而对于量化过程中因尾部截断而丢失的大部分结构信息是重构网络无法恢复的。传统的联合重构类算法同时考虑低比特图像的生成过程和高比特图像的重构过程,通过施加预失真方式获得的低比特图像有利于后续的重建图像质量。但通过该方式重构的高比特图像依然存在失真,影响主观视觉体验。本文主要围绕基于预失真的比特深度增强算法的实现及其在图像编码中的应用展开研究。本文研究内容如下:（1）首先,实验表明在现有量化方式下重建得到的高比特图像在过明和过暗区域存在明显的模糊,分析发现这是由于动态范围损失所导致的,基于此研究了具有动态范围保持的量化方法。这种方法在1 bit图像量化之下重建质量依然不够理想,故引入了针对1 bit量化所设计的蓝噪声抖动模板。再者,本文受到Res Net和UNet的启发,去除了Res Net中影响重建质量的批量归一化层构建了基础残差块,并采用UNet中对称编解码结构的方式构建了一个简单且高效的神经网络。本文算法在主观视觉效果和客观指标上都具有良好的表现,在1-16 bit比特深度增强任务中,PSNR达到了31.31 d B,SSIM达到了0.8873。（2）针对无线传感网络这类非对称系统复杂性的应用场景,本文设计了基于预失真、比特分辨率压缩、无损编码和比特分辨率重构的高效非对称复杂度图像压缩传输框架。受规则抖动半色调图像编码算法的启发,本文利用蓝噪声抖动模板构建低比特图像,然后根据图像块间存在的相关性,通过块间异或的方式,使异或后图像中“0”像素值出现的频率增加,之后将图像按照特定大小进行分块,并把块内的二进制串按照光栅扫描的方式进行灰度值转换,最后采用霍夫曼编码算法对数据进行无损熵编码,实现了对图像进一步压缩的目的。在图像接收端,对编码数据进行解码得到低比特图像,通过NVIDIA Jetson AGX Xavier平台实现了对低比特图像的比特深度增强。