随着计算机网络和人工智能的飞速发展,图像处理技术作为多媒体数据处理的重要方法,也取得了很大的进步。其中图像压缩算法为了适应网络环境的变化也演变出针对不同场景的图像压缩技术。基于感兴趣区域(Region of Interest,ROI)的图像压缩技术就是一种的针对图像内容采取差异化压缩策略的一种技术。随着5G时代的到来,多媒体数据量(图像、视屏、音频等)的急速上涨对多媒体处理技术提出了更高的要求,传统的商业图像压缩手段已经很难适应现在的应用环境。在无线信道环境相对受限的情况下,人们更关心感兴趣区域在重建后的感官质量,基于ROI的图像压缩算法能够更好地保存感兴趣目标,提高图像的整体质量。本论文提出了一种基于深度学习(Deep Learning,DL)的压缩算法来解决这个问题,下面是针对此问题的研究:首先要考虑的是图像中显著性目标的检测问题,针对不同的显著性目标图像,将背景与显著性目标分离,进而将显著性目标区域设定为图像的感兴趣区域。在此之前,传统的基于ROI的图像压缩算法都采用人工标注感兴趣区域来实现图像的区域分离。但是这种做法在大批量作业时效率太低,费时费力。随着卷积神经网络(Convolutional Neural Networks,CNN)的飞速发展,也为显著性目标检测领域带来了新的方向与发现。近些年来出现的语义分割、目标检测算法大多都基于全卷积神经网络(Fully Convolutional Neural Networks,FCN)。本论文针对现有的显著性检测算法中无法将高级语义与低级特征结合的不足,对基于CNN的显著性检测网络进行深入研究和改进。图像压缩部分我们提出了基于生成对抗网络(Generative Adversarial Networks,GAN)的图像压缩框架。针对低比特率下图像压缩重建问题,GAN能够为图像生成更多细腻纹理和细节信息,使得重建图像具有更高的主观感知质量,进而克服了传统压缩算法在低比特率下出现的图像不完整和码块效应等严重失真。在网络设计过程中,由于本文主要讨论压缩比特率低于0.1bpp下的图像压缩重建,所以该方法通过设置瓶颈层的通道数来改变图像的压缩比特率。在编解码器的设计上我们采用对称结构,并在解码器端加入了9个残差块,使得网络训练时更容易提取图像的高级语义信息,从而提高重建图像的感官质量。为了进一步提高低比特率下图像的重建质量,本文还提出了分区域优化的策略。在低比特率情况下,针对图像重建效果差,恢复不完整的问题,本文采用不同的损失函数对图像的不同区域进行网络训练。在重建图像的背景区域让网络为重建图像填充更多的纹理和细节,用来提升图像的主观感知质量;而在显著性目标区域,实验将严格保留目标的真实细节和内容分布情况,抑制GAN对重建图像的内容填充。实验证明,我们的方法与现有的基于ROI图像压缩算法JPEG2000相比能够实现更好地感兴趣区域压缩效果,展现出更好的主观感知质量。