随着计算机网络和信息技术的发展,多媒体通信已成为人们信息交流的重要手段。数字图像作为多媒体通信中最重要的一种信息表达形式,显然已成为信息表达方式的主流。但是,数字图像带给人们生活便利的同时也存在着诸多的安全、传输和存储等问题。譬如,涉及到国家秘密、商业机密或个人隐私的一些图像信息,通过网络传播时很容易被恶意攻击,窜改、非法复制与传播,同时在有限带宽中快速的传输信息也是非常重要。尤其是云存储的出现,它不仅可以存储大量的文件、视频和图像等信息数据,还提供了一个足够大的在线空间来存储共享数据。在此情况下,对信息传输的实时性、安全性的要求则更高更严。因此,对图像进行压缩减小带宽和对图像加密保证其安全性的研究具有非常重要理论和现实意义。图像加密又称为数字图像加密,主要是通过使用不同的技术来改变图像像素值、位置来保护图像。图像压缩主要是通过去除冗余或不相关的信息来压缩图像。本文采用变分自编码器的神经网络模型来对图像进行压缩和加密,首先根据模型的训练时间、重构的效果和损失函数的多少来设置模型的最佳迭代。其次,利用变分自编码器的多层神经网络来实现压缩图像并与其他压缩方法进行比较。最后,使用两幅标准图像来训练变分自动编码器的生成模型来提取出影响图像的权重和偏移量并进行相应的相除,并利用变分自编码器的生成模型对数据进行加解密运算。本文主要工作和贡献概括如下:针对对于图像加密问题,提出了基于变分自编码器生成模型图像加密的框架并验证了其模型压缩效果很好。具体步骤如下:首先,将图像转化成可操作的数据矩阵并进行归一化。其次,构建变分自编码器网络模型并训练并获得概率矩阵,利用梯度下降算法迭代更新权重和偏移量来重构出清晰的图像,并确定模型的迭代次数和实现重构压缩图像。最后,利用训练好的生成模型中两幅不同图像的权重和偏移量做相应数据相除并加载到生成模型上生成加密图像。实验结果表明,基于变分自编码器的图像压缩可以减小数据传播的带宽且基于此生成模型上的图像加密方法简单易实现可以有效的应用到图像加密保护上,且解密后的图像失真率很低。