数据压缩是指在保持数据的信息熵的条件下将数据量进行削减。因为深层自编码神经网络擅长于理解数据并对数据进行抽象表征，能够有效地对复杂数据进行压缩。为了能够将人耳听觉所能捕捉的所有频段作为输入，必须输入超长的音频信号采样，进而导致自编码网络的性能下降问题，本文提出了动态残差网络用于音乐音频有损压缩，优化了深度自编码网络模型，提出了一种结合注意力机制和残差学习的量化方法，从而实现了音频信号的压缩量化，同时拥有在不增加额外数据量的情况下储存多种音质的优点。最后提出了一种基于卷积分解、蒸馏学习、核内关联分析裁剪的网络压缩方法，为复杂网络在低计算性能平台上能够有较好的表现。
　　本文的主要研究工作如下：
　　1. 详细阐述了深度神经网络的数据压缩方法，鉴于自编码器计算复杂度高且不具备量化功能，不能适应音频信号超长采样压缩问题，构造了一种基于卷积宽感受野的自编码深层神经网络对音频的脉冲调制编码进行特征提取，结合批标准化防止了数据训练过程中的漂移问题。
　　2. 音乐音频是一种非平稳信号，在不同时间段的动态具有较大差异，本文使用循环神经网络对时序数据进行音频动态分析；针对音频不同时段信号的动态分配不同的比特数，并进一步使用聚类量化方法解决了神经网络难以处理的量化问题。同时通过多段残差网络实现了针对信号主体和细节的重构，不需要对不同音质重新编码，从而不会增加文件额外存储空间，最终提取出动态比特流，并使用无损压缩将压缩数据进一步对比特流进行压缩。
　　3. 为了解决移动平台的计算力匮乏从而导致不能实时解码的问题，通过参数分析和模型结构分解优化实现了对解码器的模型压缩，从而减小复杂度和加速计算，提高算法在计算力相对缺乏的移动平台的性能表现。最后，通过实验，展现本文算法在不同条件下的效果，体现其相比传统算法的优势，并在经过模型优化后，模型依旧能够保持相对较好的压缩效果。