图像压缩是图像传输前的重要过程,是提高存储效率和对信息实现高效传输的重要组成。本文研究的分形图像压缩算法,能够在保证重构图像的清晰度与分辨率的同时,提高图像的压缩比。但该方法依然存在两类问题,其一是在编码过程中过度追求最佳匹配块,需要在码本空间中逐一搜索而导致的编码速度慢。其二是图像块分割方式固定和图像块变换方式过少而影响解码图像质量的缺点。本文分析了基本分形图像压缩算法存在的不足,并展开以下方面研究：1、根据分形图像压缩中对图像块进行匹配和搜索时间过长的缺点,提出一种将非线性迭代函数和改进遗传算法相结合的分形图像压缩新方法。该方法引入非线性迭代函数系统,增强了图像构建能力,提高图像质量。同时利用改进的遗传算法在配搜索过程中获取最佳的压缩仿射变换参数,并参考压缩迭代定理确定迭代次数,进一步提高参数的全局搜索能力和匹配的准确度,缩短搜索时间。2、迭代函数系统作为分形图像的压缩基础,在图像的重构过程中起到重要作用。在图像重构阶段值域块和定义域块的匹配精度不仅影响图像的压缩比的大小,而且对重构图像的质量有着极高的影响。本文将深度卷积神经网络与分形压缩算法相结合,提出新的图像块分类和搜索方案。该算法不仅能够缩短图像的编码时间,而且能够大大提高解码图像的质量,同时利用GPU技术可以大大缩短图像压缩时间。并在其后的试验中改进了卷积神经网络的结果,以提高人脸图像在压缩后的重构质量。本文的主要工作如下：1.介绍了分形图像压缩编码的发展现状。2.介绍了分形图像压缩编码的数学原理和基本方法3.提出一种基于改进遗传算法和非线性迭代函数系统的图像压缩算法,并验证了该算法的有效性。4.提出一种基于深度学习的图像块分类方案,并应用在分形图像压缩编码中,并验证该算法的可行性。5.提出了针对卷积神经网络的改进,提高对人脸图像的重构质量。仿真结果表明,采用了本文提出的两种改进的基本分形图像压缩方法,不仅能够缩短图像的编码时间,而且能够大大提高解码图像的质量和图像压缩效率。