深度学习在机器视觉领域发挥了重要的作用。而在实际应用中,视觉特征的码率成为众多下游视觉任务的基本衡量指标之一,因为这关系到数据传输以及计算的代价。如今,图像不单单面向于人眼,更多时候需要送入计算机来进行分析。针对于面向机器视觉的特征压缩,我们提出了一种基于乘积量化的无监督特征压缩算法并应用于图像检索任务,该方法在图像检索任务检索性能超越了目前最先进的无监督方法。另一方面,如今研究人员提出了许多方法分别有效地压缩人眼视觉特征和机器视觉特征,然而目前少有方法探索了人眼视觉特征和机器视觉特征之间的关系。对此,我们提出了一种基于Transformer的端到端深度学习模型用于图像压缩任务与分析任务的联合训练。实验证明,机器视觉特征能有效指导面向人眼视觉的图像重建。本文的主要工作与创新总结如下:（1）提出了一种基于乘积量化的特征压缩算法,并应用于无监督图像检索任务上。近年来,出现了基于对比自监督学习的深度乘积量化方法并得到了出色的性能。然而,现有方法由于假负例样本以及量化引起的特征失真导致了样本偏差和量化偏差。此外,他们关注特征之间的整体相关性,没有考虑特征通道之间的冗余减少,导致量化的性能下降。鉴于这些限制,在本文中,我们提出了一种新颖而有效的双对比乘积量化（DCPQ）算法。具体来说,在编码阶段引入了无负例的对比编码损失（CEL）,这项损失作用于没有量化的原始特征,并促使特征通道在统计上趋近独立。此外,DCPQ采取了对比量化损失（CQL）以进行特征和量化码本的协作学习,其形式为对齐特征在码本上软分配的KL散度。同时为了保证模型稳定能稳定训练,DCPQ采用了指数移动平均（EMA）策略来实现无梯度学习。实验结果表明,我们的方法在多个数据集上优于最先进的无监督图像检索方法,此外,我们在文本图像检索上测试了DCPQ,这进一步证明了我们的方法在跨模态检索中的有效性。（2）提出基于Transformer的端到端的图像压缩与图像分析任务联合训练的框架。用于解决基于云计算的图像分类应用。通过重新设计视觉Transform er,使用压缩后的特征进行图像分类,并利用Transformer网络生成的中间特征来指导图像压缩。具体来说,我们Transformer的编码器部分替换为更加轻量化的适用于压缩的传统卷积网络,同时将编码后的特征分别送入图像重建分支与图像分类分支。同时,我们提出了一个特征聚合模块,以融合被压缩的特征与图像分类分支产生的中间特征,并将融合后特征送到用于图像重建的卷积神经网络中。实验结果证明了我们提出的模型在图像压缩和分类任务中的有效性。