目前,医学影像已成为临床实践中不可或缺的工具。随着医学成像技术的巨大进步,医学影像的数据量显著增加,导致医学影像的存储、检索、传输、管理的负担越来越重。有损压缩算法不适用于医学图像,因为有损压缩引入的伪影可能会误导诊断并导致潜在的医疗事故。为了满足对图像保真度的严格要求,无损压缩是医学图像最可靠的选择。当前基于学习的无损图像压缩方法仅关注低动态范围（Low Dynamic Range,LDR）自然图像（8比特位深）,而常见的医学影像例如CT以及MRI,每层的图像都是单通道,高动态范围（High Dynamic Range,HDR）的,其像素值位深为12到16比特,这使得专门为LDR自然图像设计的无损压缩算法不能直接应用在HDR医学影像上。本文主要通过深度学习手段研究HDR医学影像的无损压缩问题,主要完成的工作包括以下两个部分:（1）深度学习结合传统编解码器的无损压缩算法。探索了将HDR医学影像划分成高8比特子图及低8比特子图两部分压缩的可行性,高8比特子图具有分片平滑的特性,易于压缩,所以本文利用传统编解码器压缩高8比特子图,而低8比特子图具有更多的纹理信息,很难被压缩,所以采用性能更强的基于深度学习的无损压缩模型,此外,高低子图之间有较多相似信息,因此本文提出上下文提取以及融合模块,将从高8比特子图提取的上下文先验信息融入到低8比特子图的无损压缩过程中,以降低无损压缩所需的码率。对比实验和消融分析证明所提出的HDR医学影像无损压缩算法达到了目前最好的效果,超过了现有的传统编解码器以及基于学习无损压缩算法。（2）基于双流网络的整体端到端的无损压缩算法。不再利用传统编解码器压缩高8比特子图,而是利用深度学习端到端整体优化的优势,联合压缩高低子图,进一步提升HDR医学影像的无损压缩性能。本文采用有损加残差的无损压缩框架,其利用自回归模型实现残差的无损压缩,而自回归模型受限于序列化编解码,导致其实际应用的价值不大。本文结合了分块并行与几种自回归模型加速算法显著提高了自回归模型的处理速度。实验表明整体端到端优化所需的压缩码率更低,同时加速后的无损压缩算法编解码效率提升了100倍以上。