图像压缩是根据图像数据存在冗余和人眼视觉特性来实现的。基于小波变换的图像压缩技术是当前研究图像压缩的主要方向之一，在满足所需图像质量前提下，如何进一步提高压缩比和压缩速度，以充分发挥传输信道和存储空间的利用率，其研究工作是具有重要的理论和实际意义的。提升方法是小波变换中一种有效的方法，其逆变换也相当容易，并且能时刻保持输入数据的完全重构，它就成为构造第二代小波变换的一般方法，在图像压缩中有着广泛的应用。本文在对传统小波理论进行扼要介绍和回顾的基础上，较详细地介绍了提升方法的基本原理及其对信号的分解和重构过程，并对预测/更新和更新/预测两种提升方法进行较详细的对比分析。在预测/更新提升方法的基础上，引入自适应理论和自适应提升方法。本文提出了一种具有多层结构的改进的自适应提升方法。该方法具有前期预测、更新和自适应3层结构，它改善了更新过程对应的低通滤波性能；自适应层的预测器可灵活设计，对图像的边沿区域和平滑区域自适应地选择预测算法。通过仿真实验，比较了在不同提升方法下小波变换后系数的信息熵，实验结果表明，用改进的自适应提升方案变换后系数的熵优于其它两种方案（更新/预测的非自适应提升方案和更新/预测的自适应提升方法）。受到视觉灵敏度的局限，人眼具有对于图像边缘急剧变化不敏感、对图像的亮度信号敏感和对于颜色分辨力弱的特点，这种特点也能帮助实现数据压缩。本文引入人眼视觉特性（HVS），对小波系数赋予不同的视觉权值，保证优先传输视觉上最重要的系数，以保证进一步提高图像复原质量。在较详细介绍分层树集合划分（Set Partitioning in Hierarchical Trees，SPIHT）图像压缩编码算法基本原理和分析SPIHT算法所存在不足的基础上，本文提出了一种改进的零树结构。新的零树结构具有两方面的优势：首先，可以有效缩短集合链表LIP的长度，节省宝贵的内存空间；其次，可以缩短集合链表LIS的长度，能更加有效的捕获不重要的信息，而且能大幅度提高集合链表LIS中重要系数集合的比例，使排序扫描过程所耗费的时间更少（相对于SPIHT算法），使得阈值对分速度加快及更多重要信息及早出现在码流中。在SPIHT算法的基础上，本文提出了一种改进算法。该算法的特点是：采用改进的自适应提升方法对实验图像进行小波变换；，根据人眼视觉特性（HVS）对变换后的小波系数赋予合适的视觉权值；利用重新定义零数结构后的SPIHT算法对变换后的数据进行压缩编码。通过这三项措施的结合，意在提高算法的压缩性能后仍<WP=5>有满意的图像质量。实验结果表明，改进算法是一种高效的图像压缩算法，在编解码速度、图像复原质量、内存需求量等方面均优于SPIHT算法（特别在低比特率下）。