当前无线移动通信传输数据呈倍数增长,导致频谱资源紧张的现状。传统无线通信发展基于OSI七层模型,物理层专注于从物理频谱带宽等角度逼近通信容量。同时,传统信源信道联合编码研究已经相对成熟,一定程度上从数据无差错传输角度提升信道容量。然而传统信源信道联合编码仍存在诸多问题。一方面,传统信源信道联合编码问题往往通过分离定律将其分解为信源编码、信道编码等若干步骤。分离定律的基本理论是将通信的母问题分解为多个易于求解的子问题。然而子问题的最优解未必代表全局问题的最优解,即信源压缩和信道传输分开设计的通信系统未必可获得整体通信系统最优性能。另一方面,在实际应用中不同数据对于信源和信道编码的要求不同。误码率最小并不代表接收端获取的信息损耗最小,即同一误码经过信源编码、信道传输后重构的信息,可能造成单个像素点不同或造成整个图片解析乱码。这些问题,如果信道编码和信源编码若只考虑本身的最优,是没法解决的。其次,信源信道分离定律在有side information或有限包长的条件下不成立,所以研究有限包长或带宽受限等条件下新型信息传输方法具有意义。因此,为了解决以上问题,本文提出基于自学习的智能信息传输方法和基于权重调整的特征压缩算法,提供了一种学习范式不根据人为处理的方式进行分解,选择依据学习模型获取从原始数据到语义特征输出的映射,将物理层比特数据无差错传输转化为信息层面重点特征的有效传输,即从信源角度以自学习方式提取信息信源关键特征参数,通过对收发两端信息知识库的有效设计,实现信道容量提升。针对在先验知识不足的条件下无法有效提取收发双方真正通信的关键特征,本文利用零合博弈原理,提出智能信息传输方法和生成式对抗网络联合设计的方法,采用无监督方式自动学习并传输关键的特征参数,得到了可利用迭代自学习方式收敛到通信资源调度最优解的理论,逐步构建背景知识库优化了系统的可扩展性,使得传输系统整体带宽占用具有时间维度的增益。本文通过对基于迭代自学习的收发联合处理方法建模,信息损耗最小值收敛过程即为通信资源调度最优解的逼近过程,采取更加类似人类视觉评价标准的评估方式,仿真实验比较不同特征选取方式、选取范围、时间因素下的模型性能,进一步验证基于信息损失率的智能定义模式能够最大程度捕获关键特征参数,说明其带宽占用具有时间维度性能增益;另外,通过比较具体图片的人类视觉和数据传输量层面差异,在满足基本视觉损失的条件下,系统在Facades训练集中以原始数据8%的特征传输量即可满足信息传输准确率99%需求,相较于人工特征选取维度、香农信息论传输特征、传统图像压缩传输方式能够有效降低数据传输量,降低带宽占用。针对通信信道参数动态变化导致静态信息提取方法无法满足资源高效分配的问题,本文利用特征优先级自适应排序算法,对提取的影响收发双方真正信息传递的主特征参数进行权重排序,提出了基于权重调整的自适应特征压缩算法,算法提升了系统灵活性和自适应性,能够在信噪比、传输速率等参数实时变化的动态信道中求解通信资源调度的最优解,从而在最优解收敛过程中逐步降低带宽占用。本文理论分析了基于PSNR及感知损失的联合损失函数理论基础,能够指导迭代自学习过程动态调整传输过程中主特征参数中特征权重,以实现特征权重的灵活调整。仿真实验设计比较通信带宽环境、动态信道条件、自适应策略对性能的影响,从视觉和语义损失层面证明基于权重调整的自适应特征压缩算法能够满足动态信道特征调整需求,自适应调整图像高层及低层级特征权重,进而平衡数据传输量和重构图像质量之间的关系,在降低数据传输量的同时实现信息的有效传输。