随着互联网联网的发展,人们越来越多的在网络上使用图片和视频交流,每天都产生海量的数据,给传输和存储设备带来了巨大的压力。图像压缩技术通过去除图像中存在的冗余信息,用更高效的方式表示数据,可以降低存储和传输图像所需要的空间。但现有的图像压缩技术已经难以满足海量的图像数据的压缩需要,迫切的需要新的高效的压缩技术的出现。使用人工神经网络的深度学习方法近几年来呈现爆发式发展,在包括计算机视觉、语音识别、自然语言处理等许多领域取得了超过传统方法的效果。应用深度学习解决问题已经成为很多研究人员的优先选择。在图像压缩领域,基于深度学习的方法也取得了许多进展。在重建质量上,基于深度学习的编码方法已经能够超过传统的编码方法。考虑到深度学习模型如此强大的表达能力,探索使用深度学习的方法来解决图像压缩问题是十分有必要的。基于深度学习的图像压缩主要有两个研究方向:深度学习与传统编码框架相结合的方法和完全使用深度神经网络的方法。本文对这两个方向分别做了探索,主要的贡献如下:本文首先提出了一种深度学习和传统编码相结合的压缩框架,仅仅使用一个神经网络对输入传统压缩编码框架的图像进行前处理,就能达到更好地重建效果。本文方法并不取决于特定的传统编码器,后端可以使用任意的传统压缩编码框架。相比较其他的使用两个或者更多神经网络的方法,本文提出的方法不需要用户使用的解码端进行特别的改动,更容易推广使用。由于传统编码器编解码的过程不可微,无法通过反向传播训练。为了让神经网络能够有效的学习到传统编码产生的损失,我们特别设计了专门的损失函数。随后我们用几种传统编码框架作为后端进行了实验,结果表明我们的方法能够有效的提高图像重建的质量。随后,本文提出了一种基于多尺度结构的完全使用神经网络的压缩方法。本文方法在编码端将图像转换为一系列特征图,再将这些特征图下采样到多个不同的尺度,用以获取图像在不同尺度下的特征信息。在解码端,这些不同尺度的特征图被上采样到同一个尺度,通过密集连接的Dense Block提取图像的特征。最后完成重建。端到端联合优化过程中,神经网络通过对图像的不同尺度的下采样,能够获得不同分辨率下的图像特征信息,更好的重建图像。与其它基于自动编码器的方法面对不同的压缩比特率限制需要使用不同的训练好的模型不同,本文方法中通过对于编码器使用的下采样分支数量的选择,能够用单一的模型实现压缩过程中比特率的可变。最后进行了实验,与几种其他压缩编码方法做了对比。证明了本文提出的压缩编码框架的有效性。