随着5G技术的成熟应用,移动互联网迎来了飞速发展阶段,网络应用和移动终端的相关产品更是层出不穷。大量数据的产生,使得计算机等终端设备需要耗费更多的容量来存储这些数据。在日常生活中,图像是人们最常接触到的网络数据,常常需要巨大的存储容量对其进行处理。因此,对图像大数据进行压缩处理具有迫切的应用需求。网络中最常用图像格式是JPEG,其质量和存储容量受诸多因素影响,本文选取两个较常用的参数,质量因子Q和图像尺度S,通过控制这两个参数,从而对图像进行压缩。本文研究了双参数压缩对图像存储容量的影响,基于结构相似(SSIM)的图像质量测度,本文总结了图像质量保持的压缩方法,在保证图像质量符合实际需求的情况下,对图像进行最大化的压缩。近些年来,深度学习在图像识别与归类领域得到了广泛的研究。因而,本文研究了面向图像归类的双参数压缩方法,对JPEG图像集的不同质量因子Q和图像尺度S,在卷积神经网络(CNN)归类器下得到的归类精度进行了研究,总结了归类精度保持的图像集压缩方法,将图像集的图像尺度S下采样为原来的5/8,质量因子Q降为原来的35%,实验结果表明,所提方法能够获得基于归类精度的最佳压缩。进一步地,本文研究了在线图像集归类精度保持的自适应压缩方法。所提方法仍采用质量因子Q和图像尺度S的双参数压缩方法。图像采集设备在同一场景下捕获图像的背景具有一定相似性,将10个不同场景下采集到的图像组合成一个具有10类图像的在线图像集。对图像训练集进行训练,得到归类模型;将在线图像集分为若干段,组成不同的小的在线图像集,基于图像的相似性,后一个在线图像集归类精度保持的压缩方法可参考前一个在线图像集的压缩方法,由此得到在线图像集归类精度保持的自适应压缩方法。实验结果表明,与现有的归类精度保持的图像压缩方法相比,所提方法对在线图像集的归类精度较现有方法提升3.3个百分点;相应地,在线图像集依旧保持较大的压缩比。由实验结果可推测,如果增大在线图像集的数据量,所提方法的在线图像集压缩比将会有更大的提升。