传统的隧道检修方法主要依靠经验丰富的检修工人搭载云梯车去完成,这种检修方法效率不高。随着智能制造技术的不断发展成熟,基于视觉的隧道检修方法逐渐成为一种新的趋势,并逐渐代替传统的人工检修方法。但是基于视觉的隧道检测系统往往会产生数以万计的隧道图像,导致巨大的图像存储空间开销。通用图像压缩方法未考虑隧道表面图像的特性,其压缩比还不够显著减少隧道图像存储开销。因此,本文针对此问题研究高压缩比的隧道图像压缩方法。论文的主要工作和创新点如下:(1)提出了一种基于稀疏编码方法的隧道图像高压缩比方法。分析了隧道图像一致性强和同质性高的特点,同时考虑隧道图像内容中不同图像块之间的差异性,设计了一种基于图像内容差异性的自适应编码算法,即对于包含图像内容丰富的纹理区域分配较多的编码系数,相反对于类似背景等区域则分配较少的编码系数。此外,针对稀疏编码系数本身设计了一种简单高效的非均匀量化方法,进一步提高编码效率。通过和现有的压缩方法相比,本文提出的隧道图像压缩方法实现了更好的压缩比以及更好的重构图像质量,尤其是在比特率低于0.05bpp时,本文提出的基于稀疏编码的隧道图像压缩方法获得了较JPEG和JPEG2000相比更高的峰值信噪比和更好的图像质量。(2)提出了一种基于变分自编码器的隧道图像压缩方法。该方法应用深度学习技术,首先,在编码阶段,将待压缩的隧道图像输入编码网络,然后经过一系列的卷积神经网络进行特征提取,不断的降低输入隧道图像的空间分辨率,得到隧道图像在隐空间的特征表示,最后利用量化技术得到压缩之后的数据。在解码阶段,首先将量化之后的数据进行反量化操作,然后将反量化之后的数据输入到解码网络,利用解码网络对特征图进行上采样操作,得到重构之后的图像。在实验阶段,通过将提出的基于变分自编码网络的隧道图像压缩方法和其他的图像压缩方法进行比较,验证提出方法的有效性。