本论文从图像编码与无线传输实用化过程中存在的问题着手，从如下两个方面对其中的关键技术进行了研究。一方面是突破现有图像编码标准的框架，将机器学习的方法应用到图像压缩领域中来，并对其性能作了探讨；另一方面是从提高无线环境下图像的编码与传输性能入手，研究了目前主流块基编码方法存在的块效应问题以及图像的容错编码与传输技术，并实现了部分研究成果在环保远程监控系统中的应用。主要研究内容包括如下几个方面：(1)将机器学习方法应用于图像压缩领域，结合加权支持向量机和离散余弦变换对图像数据进行压缩编码。根据变换域系数的能量分布特征和人类视觉系统模型对惩罚因子建立加权函数模型，并将该模型应用到加权支持向量回归训练中。针对不同重要性的样本，采用不同的惩罚因子进行逼近，在训练错误率和模型复杂度之间进行权衡。该算法并不直接对样本数据进行低通滤波，而是在训练过程中从低频段到高频段自适应地选择支持向量，这样可以保留图像的部分细节和边缘信息，有助于重建图像质量的改善。已有的基于支持向量机的图像压缩方法对每个样本数据采用恒定的不敏感误差，实际上也可以通过调节不敏感误差大小来控制频域系数的拟合精度。在此基础上，又提出了一种基于数据域描述的自适应加权支持向量回归图像压缩算法，将每个图像子块数据经过离散余弦变换后得到对应的频域系数，然后根据样本到高维特征空间最小包含超球球心的距离构建相应的加权函数模型，最后将确立的模型应用到基于加权支持向量回归的图像压缩方案中，以改善压缩性能。(2)针对主流离散余弦变换编码技术中，重建图像在低比特率下容易出现方块效应，提出了工作于变换域的块效应消除算法，以便提高重建图像的主观视觉效果。本论文直接在变换域对图像数据进行后处理，首先在变换域系数块的分解和合并推导的基础上，计算出转移块的频域系数。然后，根据图像子块的活动性分类，采用不同的后处理方法来减少块效应。与其他后处理技术相比，该算法在运算复杂度不高的前提下，取得了比较好的块效应消除效果，提高了图像的主客观质量。(3)针对在无线环境的传输过程中，压缩图像数据对传输错误具有很高的敏感性，几乎任何错误都能够给接收端的图像恢复造成不易接受的影响，在一种新颖的抗干扰算法和基于滑动窗模板扫描的图像数据打包算法的基础上，提出了一个简单实用的容错编码方法。首先采用抗干扰算法对图像数据的头信息实施不平等保护策略，再采用离散打包算法按照一定的规律对压缩数据块进行离散化和打包，以降低相邻数据块同时丢失的概率，从而有效提高图像数据在无线传输过程中的抗误码和抗丢包性能。(4)在基于无线移动网络的环保远程监控应用中，一方面需要减少传输数据量以适应无线网络相对较窄的带宽，同时降低运营成本；另一方面要求保证图像传输的稳定可靠。对此，提出了一种基于变换域的场景变化实时检测算法，在压缩域内快速检测图像序列场景的变化，同时向无线数字图像监控系统提供可靠的场景变化指示。该算法简单有效，非常适合普通嵌入式终端的实时处理。该变化检测算法和前面提出的抗干扰算法共同构成了一个高容错性的图像编码与无线传输方案，被成功应用于环保远程监控系统中，取得了较好的实用效果。