随着摄像头的不断更新换代,图像的分辨率越来越高,所占空间也越来越大,为图像的存储和传输带来了巨大的挑战。除了考虑增加存储空间、升级带宽外,还应该从图像本身出发,研究图像压缩技术,在保证图像质量的情况下,尽量减少存储空间。基于深度学习的图像压缩方法近几年发展迅速,其中基于卷积神经网络的方法已经成为主流的压缩方法。该类方法主要分为四部分:编码器、量化器、熵编码器以及解码器。编码器采用卷积层提取图像特征,学习紧凑表示。中间特征经过量化器和熵编码器后形成比特流用于存储和传输。解码器采用卷积层恢复图像信息,损失函数采用率失真函数进行优化。高光谱图像是一种新型的遥感图像,蕴含丰富的空间、光谱、辐射信息,在地质监测、环境保护、海洋气象探测、资源普查等方面运用十分广泛。但是高光谱图像数据量大,给图像的传输和存储带来巨大挑战。因此,对高光谱图像的压缩也十分重要。许多高光谱图像压缩方法已被提出,但是目前尚未有基于深度学习的高光谱图像有损压缩的相关工作。鉴于以上问题,本文基于卷积神经网络,研究了自然图像以及高光谱图像的有损压缩方法,主要工作如下:1.提出了基于对偶Squeeze-and-Excitation（SE）模块的卷积神经网络图像压缩方法。考虑到自然图像深度压缩框架中存在的特征图数量多且相关性强这一特点,该算法结合通道注意力机制,设计了对偶SE模块。在编码器使用SE模块（SEblock）,针对不同的特征图学习不同的权重响应,改善了特征图的分布,进一步提高熵编码的压缩率;在解码器中使用反向SEblock（ISEblock）,采用按通道相除权重来补充丢失的图像细节信息。该算法在标准测试集Kodak数据集上与Ballè’s,JPEG,JPEG2000和WebP四种方法进行比较,在低比特率下保留了更多的图像纹理和而细节部分,视觉质量得到明显改善。2.提出了基于端到端残差卷积网络的高光谱图像压缩方法。该算法考虑到高光谱图像数据空谱相关性强,数据量大且训练难度高,所以采用全卷积网络结合残差层的方式组成编码器和解码器。将高光谱图像以三维张量的形式整体输入到网络,编码器交替使用卷积层和残差层,保留光谱信息的同时有重合地提取空谱融合特征,同时降低特征图的空间维度。解码器交替使用反卷积层、残差层以及Subpixel层,恢复图像的空间信息和光谱信息。该算法训练集与测试集均来自CAVE数据集,并与两种传统方法JPEG和JPEG2000进行比较,实验结果显示该算法在低比特率下恢复的图像质量更高,光谱信息更加完善,对高光谱图像压缩具有较好的处理效果。3.提出了基于空谱联合深度卷积网络的高光谱图像压缩方法。该算法考虑到高光谱图像数据不仅要去除空间冗余,还要考虑波段之间的相关性,于是利用深度框架分步压缩光谱和空间信息。首先使用1×1卷积核对光谱信息进行压缩,然后再利用大卷积核提取空间特征,并降低特征图的空间维度。在解码器对称使用1×1反卷积结构恢复被压缩的光谱信息。该方法分别与JPEG、JPEG2000以及本文提出的基于端到端残差卷积网络的高光谱图像压缩方法进行比较,在PSNR和MS-SSIM上均有显著提高。