如今图像压缩模型在社交媒体、自动驾驶和医学影像等各种应用场景都有需求,将现有模型应用到侧重点不同的场景中会遇到各种困难,比如在道路监控场景中,现有的图像压缩模型存在模型运行效率低、重建图像视觉质量差以及图像压缩率不理想等问题。针对这些问题,本文对道路监控场景进行针对性地设计,得到一个基于显著性检测的监控图像压缩模型。首先针对重建图像视觉质量差的问题,设计一个改进的显著性检测模型。该模型主要由残差细化和边界感知两个模块组成,其中残差细化模块能提高精确度,边界感知模块能关注到更多的边缘细节信息,解决目标边缘模糊的问题。在进行图像压缩时,利用显著性检测模型为图像不同区域分配不同比特数,降低图像非显著性区域的比特数,优化图像显著性区域的视觉效果,最终解决重建图像视觉质量差的问题。其次针对图像压缩模型运行效率低和图像压缩率不理想的问题,设计一个改进的图像压缩模型。利用编码网络中的GDN（Generalized Divisive Normalization）模块生成更自然的图像块样本,从而提高重建图像质量;利用解码网络中的亚像素卷积模块最大限度地提高图像分辨率;利用CABAC（Context-based Adaptive Binary Arithmetic Coding）模块动态地修改概率模型,从而提高编码效率;利用Adam优化算法、GN（Group Normalization）正则化方法及混合损失函数调节参数,从而提高模型训练效率。最终解决图像压缩模型运行效率低和图像压缩率不理想的问题。然后针对图像压缩模型难以得到不同的图像压缩率的问题,提出一种多层次的残差编码方法。将每次迭代的数据输入到结构相同但权重不同的网络中,用前一次迭代的Conv LSTM（Convolutional Long Short Term Memory）模块隐状态初始化当前迭代的Conv LSTM模块隐状态。通过设置迭代次数得到不同的图像压缩率,最终解决图像压缩模型难以得到不同的图像压缩率的问题。最后在图像压缩模型的实际应用中,利用QT设计并制作一个监控图像压缩软件,设置相关参数,运行软件得到重建图像和相关评价指标,验证本文设计的监控图像压缩软件的可行性。