在海量视频、图像存在的多媒体环境下,图像压缩能够有效降低图像的存储空间、提高图像的传输速率,所以数字图像的压缩是图像处理中的重要部分。传统的图像压缩算法经过几十年的研究发展进入了性能提升瓶颈期,同时也难以满足更加复杂的计算机视觉处理场景,比如图像语义信息的挖掘。深度学习的不断发展和进步,为图像压缩编码方向提供了新的思路。基于深度学习的图像压缩方法相比传统的图像压缩方法在图像客观性能指标和主观性能指标上都有显著提升。然而,基于深度学习的图像压缩编码仍然存在卷积神经网络感受野受限和自适应码率分配缺失、参数网络概率模型不完善、压缩重建图像质量损失等问题。对此,本文提出了一种基于非局部相关性和混合高斯的端到端图像压缩网络,在图像压缩的客观质量指标和主观视觉效果下都取得了进一步提升。本文的主要创新点如下:（1）针对卷积神经网络感受野有限和图像的复杂结构和区域差异问题,提出了一种基于非局部相关性重要性图模块,该模块利用图像的非局部信息和注意力机制形成图像的重要性掩码,将这个模块添加到图像编码网络中,以提高图像的编码效率,实现码率的自适应分配。（2）针对参数网络存在的模型不完善问题,改进高斯模型和上下文模块,将单高斯模型扩展到多高斯模型,普通上下文网络改进为3D卷积上下文网络,以实现更加精准的参数估计。（3）针对图像质量损失问题,增加了图像质量增强模块。受图像超分辨启发,本文设计了一个图像增强模块,该模块采用级联的残差网络来增强图像高频部分信息,减小图像在压缩过程中产生的信息损失。