在图像传输中,由于网络带宽的限制,需要先缩小图像的分辨率,再对得到的低分辨率图像进行编码传输。在低分辨率的显示设备上,需要缩小图像的大小,使其在设备上有更好的显示效果。图像紧分作为一种缩小图像分辨率的算法,被广泛地应用于短视频与视频会议等场景。然而多数传统紧分算法仅考虑整数尺度因子,并使用卷积实现下采样,造成了特征图的信息损失,降低了模型生成低分辨率图像的质量。因此本文围绕图像紧分算法展开研究,主要内容和创新点如下:（1）针对卷积下采样造成特征图信息损失的问题,本文使用逆子像素方法对特征图进行下采样,使特征图中所有的元素具有同等的影响力,在不丢失信息的情况下减少特征图的空间分辨率,提高了模型生成低分辨率图像的质量。（2）针对传统紧分算法只考虑整数尺度因子的问题,本文使用双三次插值对特征图进行下采样,并利用元学习在参数预测方面的能力,设计并融入卷积核参数预测网络,为每个尺度因子的紧分任务预测非共享的卷积核参数,提取出信息更加丰富的特征图,从而提高低分辨率图像的质量;利用元学习,在模型训练的过程中,从多个尺度因子的紧分任务中学习经验,并使用这一经验完成未曾出现的尺度因子的紧分任务,从而实现任意尺度的图像紧分。（3）针对（2）中任意尺度紧分模型使用双三次插值实现特征图下采样,生成的低分辨率图像视觉效果差的问题,本文提出任意尺度紧分模型Meta-CR,该模型将逆子像素方法与掩码选择方法级联,并在其中融入基于元学习的参数预测网络,对特征图进行任意尺度的下采样,生成信息更加丰富的特征图,从而提高低分辨率图像的质量和视觉效果。其中掩码选择方法根据输入特征图与输出特征图的空间坐标映射关系,对输入特征图的行与列进行选取,能够实现小数倍的下采样。（4）本文基于推理框架ONNX Runtime在硬件设备Jetson Xavier nx上完成了深度学习模型部署,验证了所提紧分模型在嵌入式设备上的性能。本文所提模型Meta-CR在测试使用时,可以完成模型训练时未曾出现的尺度因子的紧分任务,实现任意尺度的图像紧分,提高模型的适用性。并且通过分析对比模型与所提模型在不同的测试集上的结果,证明了所提紧分模型的良好性能。