HDR图像,又称为高动态范围图像（High dynamic Range Image）,相比于普通图像（Low dynamic Range Image,即LDR图像）,HDR图像可以提供和表示更大亮度范围,HDR图像可以展示更多的图像细节和视觉效果,这也意味着HDR图像需要更多的存储空间和网络带宽。目前HDR图像应用非常广泛,手机、电视、电脑、照相机等主要数码产品都用到了HDR图像,电影、动漫、游戏、虚拟现实等也都用到了HDR技术。随着现代通讯技术和多媒体技术的发展,人们更加依赖计算机来获取和利用信息,而图像又成为人们最主要的信息来源之一。数字化后的HDR图像所携带的信息具有十分庞大的数据量,与目前计算机技术所能达到的存储资源和网络带宽水平之间还有非常大的差距,这样会对HDR图像信息的存储和传输造成困扰,也阻碍了人们有效率的获取和利用HDR图像信息。因此,对数字化的HDR图像进行压缩,剔除冗余的HDR图像信息,这样对降低HDR图像所需的存储空间和网络带宽,以及对HDR图像进行有效获取和利用都具有十分重要的意义。为了实现对HDR图像良好的压缩效果,本论文是基于卷积神经网络的双层HDR图像压缩方法,框架主要包括传统基础层,基于卷积变分自编码器神经网络的扩展层和CNN后处理模块。基础层是基于传统方法的基础层,主要由色调映射（TMO）、JPEG编码器、熵编码、逆熵编码、JPEG解码器、逆色调映射（ITMO）组成,基础层用于提供对传统JPEG编码标准的兼容性。扩展层,又叫残差层,由残差映射、卷积变分自编码器、逆残差映射构成,其中卷积变分自编码器由CNN残差编码器,二值化量化器、基于概率估计网络的算术编码、逆算术编码、CNN残差解码器组成,扩展层用于对残差图像进行编码和解码,提高HDR图像的重建质量。CNN后处理模块是基于分组卷积神经网络的方法,目的是去除重建HDR图像中存在的压缩伪影和噪声,增加重建图像清晰度。本论文中的方法既可以兼容JPEG编码标准,也克服了传统HDR图像压缩方法中存在的低压缩比,图像重建质量较低,重建图像存在模糊和伪影等问题。基于卷积神经网络的方法保存了更多的图像中的语义信息。实验表明,本框架中重建图像的压缩比更高,在低码率和中码率的客观图像质量优于传统方法,同时在相同码率时本方法的主观重建图像更加清晰。