图像的无损压缩广泛应用在对图像细节要求较高的领域。Context建模技术作为一种非常有效的估计信源概率模型的方法,常常用于对图像序列建模。但对于高阶Context模型而言,其模型中概率分布较多,且用于统计模型的信源序列有限,便不能充分训练模型中的所有概率分布,故而引起“上下文稀释”问题。而使用Context模型对多进制信源建模相较于对二进制信源建模而言,针对多进制信源的Context模型中会产生更多的概率分布,因此,多进制信源存在更加严重的“上下文稀释”问题。首先,针对多进制信源无损压缩所产生的“上下文稀释”问题。本文使用二叉上下文树模型对多进制信源序列建模并提出以描述长度增量作为树节点的选择原则。为使信源的统计信息划分得更加细致,本文将多叉上下文树模型转化为二叉上下文树模型。在此基础上,本文研究了上下文树节点的选择方式,提出使用描述长度增量作为上下文树节点的选择原则,对比以描述长度为上下文树节点选择原则,描述长度增量考虑了模型中条件概率分布之间的相似性,更加适用于对多进制信源编码,在缓解“上下文稀释”方面取得有意义的进展。然后,针对算术编码过程中遇到的无法编码零频符号的问题。本文引入逃逸符号对其进行处理,相较于将模型中条件概率分布都初始化为均匀分布的传统方法,采用逃逸处理的方式不仅避免使用均匀分布编码,同时还可较快统计到接近信源真实统计分布的概率模型。最后,本文还深入研究了概率模型中计数值对压缩性能的影响,研究表明定期更新概率模型非常有利于提高编码性能。实验结果表明,使用描述长度增量作为结点选择原则的压缩效果优于使用描述长度作为结点的选择原则;细致划分上下文信息可有效避免节点选择时丢弃掉太多重要的上下文信息;引入逃逸符号来处理算术编码过程中的零概率符号可有效提高编码压缩性能。除此之外,实验还分析了Context模型中统计值对编码性能的影响。