数字图像压缩的目的是减少表示图像所需的比特数,更有效地表示图像,以便于图像的处理、存储和传输。矢量量化作为一种高效的数据压缩技术,已被广泛应用于图像压缩领域。本文在系矢量量化数据压缩理论的基础上,着重探讨了矢量量化的关键技术——码书设计算法,引入SOFM和LVQ神经网络进行矢量量化图像压缩,提出了一种联合SOFM和LBG的改进算法。论文在矢量量化码书设计经典算法——LBG算法的基础上,引入竞争型神经网络SOFM和LVQ,设计并验证了基于这两种神经网络的的矢量量化码书设计算法。通过仿真实验,研究了在改变码字大小等参数的情况下,LBG、SOFM和LVQ的训练过程和算法性能。LBG和LVQ算法对初始码书依赖性大,SOFM算法训练时间较长。根据LBG算法与神经网络的特性,提出一种联合SOFM和LBG算法的码书设计改进方法,并通过实验验证了改进算法的有效性。实验结果表明,改进算法具备了更好的压缩效果,更优的峰值信噪比(PSNR)和更快的压缩时间。对于给定的码字大小,码书越大,压缩比越低,但重建图像质量越好;码书相同时码字较小的编码性能较优。