光场图像通过全光相机所特有的微透镜阵列能够对立体空间中光的完整信息进行采集,因此可从光场图像中提取出场景深度等高维信息,此类高维信息可为用户提供立体感以及空间沉浸感。光场图像的诞生为三维重建、深度估计以及虚拟现实技术提供用力的技术支持。但光场图像因其所获取大量的光线信息,其单张图像体积庞大,在存储以及网络传输中将浪费大量不必要的系统资源,故目前迫切需要一种有效的光场图像压缩编码算法用以降低光场图像的使用成本。本文将结合光场图像的结构特性以及目前如火如荼的深度学习技术,提出一种新型的光场图像编码框架,能够对原始光场图像进行有效编码。本文的研究工作总结如下:考虑到大量的冗余信息均杂糅在单张光场图像中不利于针对性的处理,故需将原始光场图像按其视点位置对像素重新排列进而获取子孔径图像阵列,从而可将原始光场图像中的空间冗余信息以及视点冗余信息拆分至该阵列的各个子孔径图像中。通过对该阵列中的图像进行观察,单个子孔径图像的图像内容即可表达原始图像的大量场景信息,并且相邻视点之间的图像内容表现出极高的相关性。故在对原始光场图像进行压缩编码时,可对其子孔径图像阵列进行拆分,仅对其中的部分子孔径图像进行稀疏编码传输,其余未经编码的子孔径图像则可通过该编码传输的部分对其进行预测生成。本文将结合深度学习技术,采用基于LSTM的图像压缩编码模型对所选取的部分子孔径图像进行稀疏编码用以消除单幅子孔径图像中的空间冗余信息,其预测生成模块则采用CycleGAN进行实现,用以模拟不同视点间细节的生成以及其主体部分的像素偏移,故基于CycleGAN的预测生成模块可被用于消除相邻子孔径图像中所包含的视点冗余。在预测生成过程中将利用已编码重建的部分作为基准模块,参考H.264/AVC及H.265/HEVC中的帧内预测思想,设定5种预测模式用以在不同的基准模块中进行选择最优的预测图像。在稀疏编码以及预测生成的思路下,本文所提出的编码框架将能够有效减少码率并保持优秀的重建质量。通过实验结果可知,本文所提的编码框架与标准编码算法JPEG及JPEG 2000相比,其低码率部分在PSNR指标及MS-SSIM指标下具有明显优势,并且其MS-SSIM数值能与主流算法HEVC相持平,因此本文所提框架能够在深度学习领域中完成对光场图像的有效编码,扩展光场图像编码的新思路。