近年来,随着三维重建、三维显示技术的飞速发展和日趋成熟,光场图像的研究越来越受重视。现有光场图像采集装置主要是采用空间复用技术将光线角度信息与空间信息记录在二维图像传感器上。为了获得光线的角度信息,光场采集装置存储的图像信息是普通相机的数百倍,这给光场图像的存储和传输带来了极大的不便,因此对光场图像压缩的研究变得迫切而有重要意义。本文对目前主流的光场图像压缩方法进行梳理,确定了光场图像压缩的主要研究方向,在基于视频编码的光场图像压缩方法的基础上进行研究并提出了更加高效的光场图像编码方法,主要贡献如下:首先,提出了一种基于尺度不变特征变换描述子排序的光场图像压缩方法。常见的排序方法有蛇形排序、回形排序等,但这些方法并没有充分利用光场子视图之间的相关性。为解决这一不足,本文通过计算视图的尺度不变特征变换描述子的差异来度量视图之间的相关性,通过差异的大小对子视图进行排序。其次,提出了一种基于联合多分支空间变换网络和生成对抗网络的光场图像压缩模型。将全部光场子视图分为编码部分和未编码部分,未编码部分的光场子视图利用邻域的编码部分的子视图重建。提出一个基于生成对抗网络的重建模型合成未编码部分的光场子视图,在只压缩部分视图的基础上提高光场图像的编码效率。分析和研究了生成对抗网络的基本模型与训练算法。针对学者目前提出的一些改进的生成对抗网络的研究,将WGAN-gp应用到光场子图像重建模型中。空间变换网络对于图片的平移、缩放、旋转以及其它几何变换有扶正和对齐功能,通过多分支空间变换网络将输入的子视图变换到待重建的子视图的视角,从而获得与待重建子视图更相似的子视图。然后将变换后的子视图集作为生成对抗网络的输入,得到最终重建的当前视点的子视图。实验证明该模型可以显著提高解码后重构图像的质量,从而提升了压缩效率。最后,提出了基于子视图质量增强方法的光场图像压缩模型。该模型提出了一个子视图质量检测器对输入的子视图质量进行检测。对于低质量子视图,设计了一个多视图质量增强模型,低质量子视图通过相邻的高质量子视图进行质量增强,多视图质量增强模型首先通过视差补偿子网对视差进行补偿,随后质量增强子网通过补偿的高质量子视图来减少低质量子视图的压缩伪影。对于高质量子视图,同样通过相邻的高质量子视图来减少压缩伪影的影响。实验结果验证了这一方法在提高压缩光场子视图质量方面的有效性和通用性。