随着互联网和大数据的深度普及和应用,每天都会有数以亿计的图片和视频信息的产生并在互联网中传播,并且图片的质量越来越高,逐渐从高清变为2k、4k甚至8k。这导致图片的数据量越来越大,这对数据的压缩、传输及存储造成了巨大的压力,同时也对高效的图片压缩技术提出了更高的要求。传统的笼统的编码方法已经很难满足要求,所以对感兴趣区域编码的研究是很有意义的。在感兴趣区域编码中,感兴趣区域的提取（显著性区域提取）一直是一个难点,传统的感兴趣区域提取算法只把具有某一特征的区域看作感兴趣区域提取出来,对复杂图片中的感兴趣区域提取的效果很不理想。针对该问题,本文提出了一种基于融合多层卷积特征的显著性区域提取算法,能够实现对复杂图片中的感兴趣区域的提取。另外在基于融合多层卷积特征的感兴趣区域提取算法上,我们还提出了感兴趣区域编码算法,该算法能在保证主观质量的同时大大提高压缩率。基于此,本文围绕着感兴趣区域的提取和编码两部分内容做了一下工作:（1）基于VGG16网络提出了一种基于融合多层卷积特征的显著性区域提取算法。具体做法是使用VGG16网络作为主干网络并加入BN层用于提取特征,在提取特征时,为了补充浅层的细节特征,我们将浅层卷积特征经过下采样融合到深层次的卷积特征中;然后再将深层次卷积特征进行上采样融合到浅层卷积特征中,指导特征的学习,最后在根据特征来提取感兴趣区域时,为了充分利用各个层的特征,我们将特征提取时的浅层特征应用到显著区域提取网络中来。实验结果表明:该方法可以在原始网络的基础上将F-mea平均提升了0.071,MEA平均降低了0.031。（2）在显著性区域提取网络的训练方面,我们设计了逐层监督的方式来指导网络模型的训练,即用标签图的下采样图作为每一层反卷积层的标准图进行监督训练。实验结果表明:经过本方法训练的网络相比于其他算法表现出更优的鲁棒性和泛化能力。（3）提出了将人工智能方法与编码相结合的思想,利用融合多层卷积特征的显著性区域提取算法,获取到图像中的感兴趣区域,并将图像分为感兴趣区域和背景区域,我们对图像的不同区域采取不同的量化标准,感兴趣区域的量化更为细致,非感兴趣区域的量化采取粗量化。实验结果表明:这样的编码方式不仅可以将平均压缩率提高到82..89%,而且能够保证感兴趣区域的失真率达到最低。