数字图像处理技术在多媒体、因特网、电视、传真等领域的应用越来越广泛。图像压缩是数字图像处理中最重要的关键技术之一，传统的图像压缩方法有预测编码、变换编码和矢量量化等。近二十年来，基于神经网络、分形理论、小波变换的现代压缩方法已成功地用于图像压缩。 论文研究神经网络在静止图像压缩中的应用，主要内容包括三个部分，一是将对向传播神经网络(CPN)用于矢量量化图像压缩，并对标准CPN矢量量化器模型进行改进，提出一种新的快速码书设计算法FCLECA和一个基于改进CPN的快速矢量量化器模型；二是在研究连续Hopfield神经网络(CHNN)优化功能的基础上，提出一个实现码书设计的竞争性CHNN模型，设计了相应的能量函数和神经元动力学方程，并给出基于该模型的码书设计算法；三是讨论神经网络在KL变换编码中的应用，提出一个求图像矢量协方差矩阵(对称矩阵)全部特征值及特征矢量的神经网络模型SEVNN，设计了相应的学习规则，并使用基于SEVNN的KL变换算法来实现图像压缩。 仿真试验结果表明，以上三种基于神经网络的图像压缩算法在训练速度、压缩质量、健壮性等方面具有明显的优势。