随着互联网技术的不断发展,图像编码算法不仅要能够实现对原始数据的高效压缩,而且要能够应对网络传输中由于数据丢失所引起的传输差错。多描述编码算法在编码端对同一个图像源进行编码并产生多个不同的图像子描述,并将这些子描述通过不同的信道传送给用户。在多描述编码算法中,对每个子描述进行码可以重建出质量较低但尚能接受的图像,而对全部子描述进行码,可以重建出最高质量的重建图像。如果单个子描述的传输过程中发生了数据丢失,用户仍然可以通过获取其他子描述而对图像进行重建。本文针对高效的多描述编码算法展开研究,构建了两种基于两路子描述的多描述图像编码方案。首先,本文提出了一种基于变换域下采样的多描述图像编码算法,在变换域对原始图像的变换系数块进行互补式的拆分,由此产生不同的子描述,并保证每个子描述具有较低的编码冗余度。为了高质量的重建每个子描述图像,本文将深度学习算法应用于对子描述的码重建中,通过构建基于变换域下采样的代价函数,构建图像质量增强卷积神经网络,利用深度学习的方法恢复单个子描述所缺失的部分高频信息,由此实现对单个图像子描述的重建。对于两个子描述的融合重建,本方案仅需要对两个子描述所包含的全部变换系数进行交织重组,再利用反变换算法直接实现重建。其次,本文提出了基于“率-失真”的子描述编码优化算法和多描述图像融合算法,并利用所提出的新型算法再像素域构建了一种新型的多描述图像编码算法。这种像素域的多描述图像编码算法中,每个子描述图像的重建通过图像插值算法实现,两个子描述的融合重建通过本文所提出的多描述图像交织融合算法实现。为了提高子描述重建的效率,本文通过对图像像素域下采样过程的优化,实现了基于“率-失真”的子描述编码优化算法,提高了图像插值的效率和子描述重建的效率。同时,本文将一种新型的量化误差补偿算法应用于子描述的编码过程中,进一步提高了对子描述编码的效率,同时提高了多描述融合重建的效率。