矢量量化作为一种有效的有损压缩技术,是Shannon信息论在信源编码理论方面的新发展。其突出优点是压缩比大、编解码简单。矢量量化算法有着极为广泛的应用领域,如图像压缩、模式识别、语音编码、视频编码等。因此,研究矢量量化技术,具有重要的意义和价值。矢量量化的理论基础是Shannon的率失真定理,其基本原理是用码书中与输入矢量之间失真误差最小的码字的索引来代替输入矢量进行存储和传输,而在解码端只需进行简单的查表操作。矢量量化主要包括三大关键技术,即码书设计算法、码字搜索算法以及码字索引分配算法,其中最重要的是码书设计算法,这是关乎整个矢量量化器设计成功与否的关键所在。本文重点分析和研究了码书设计算法,提出了基于自然计算理论的矢量量化码书设计算法。本文的主要工作概况如下：首先,基于有监督的学习矢量量化算法的思想,提出了无监督的两步学习矢量量化码书设计算法。对于没有类标的数据(图像数据),算法无法像有监督的竞争学习算法那样使用训练数据类标来合理地调整竞争神经网络的权值矢量。在本文提出的算法中,增加了纠正学习的过程,即通过一个判决函数判断是否有被错误划分的数据,然后根据一定的纠正学习策略对竞争神经网络进行调整,以期待得到更好的结果。其次,为了改善遗传算法的局部搜索能力和早熟现象,将模拟退火算法引入到遗传算法中,提出了基于划分编码的遗传模拟退火矢量量化码书设计算法。针对基于划分的染色体编码方式,算法提出了新的有效的交叉算子、变异算子和模拟退火方法。最后,基于人工免疫系统和免疫优势理论,提出了基于免疫优势的克隆选择矢量量化码书设计算法。该算法提出了新的有效的免疫优势算子,使得算法能够自适应地、动态地从抗体种群中获取先验知识,并将先验知识引入到抗体种群中,从而有效地改善克隆选择算法容易陷入局部最优的缺点。本课题得到国家自然科学基金(No.60803098)、国家教育部博士点基金(No.20070701022)、省自然科学基金(2010JM8030)、中央高校基本科研基金(No.K50511020014)的资助。