现代通信系统常采用两步编码的方式传输图像视频数据,第一步为信源编码,主要目的是压缩图像视频数据,以去除图像视频数据中存在的固有冗余,提高系统传输有效性;第二步为信道编码,主要目的是向压缩后的比特流加入一些校验和纠错冗余,以增强系统检错和纠错的能力,提高系统可靠性。根据香农定理,这种两步编码的设计方案是渐进最优的。但在实际通信系统中,由于解码器的解码能力有限、信道的带宽资源紧张等客观原因,两个编码模块远远达不到最优态,并且两者的优化过程相互矛盾,即使将两个模块处于实际最优态,级联后也不一定是系统的最优结果。在通信资源有限的前提下,联合信源信道编码方案已被证明是优于分离信源信道编码方案的。但早些年提出的联合信源信道编码方案存在一定的局限性,有的方案系统复杂度过高不易实现,有的方案需要提前确认无线信道的确切模型等等。随着近年来深度学习技术的迅速发展,利用深度神经网络代替联合信源信道图像编码方案中的部分模块或整体端到端图传结构已被证明是行之有效的。本文将自编码器网络和卷积神经网络引入传统的联合信源信道编码方案中,从如何提高基于深度学习-联合信源信道编码系统的端到端编码性能以及如何提高多链路联合信源信道编码系统适应动态信道的能力两个角度展开研究,具体研究内容包括以下两个方面:第一,提出了一种基于降噪自编码器的端到端联合信源信道编码方案。在传统的联合信源信道编码框架中,由于实际通信系统常常存在很多缺陷和非线性模块,在对端到端通信系统做联合优化时,往往会相应地增加系统的复杂度。为了解决上述问题,本文提出用降噪自编码器结构代替传统端到端联合信源信道编码方案中的编解码器结构,从而将端到端联合信源信道编码图传系统的最优化问题转化为自编码器图像重构质量的最优化问题。仿真实验结果表明,本文提出的方案在信道环境恶劣情况下仍能提供相对于传统方案更优的图像传输性能。第二,提出了一种基于卷积神经网络的信道链路状态预测方法。基于联合信源信道编码的图传系统对传输时延往往也有较高的要求,为了降低图传延迟,常采用多链路并行传输的图传方式。而对于无线图传链路而言,链路状态和当前时刻、所处方位地点、与接收端之间是否有障碍物遮挡信号等因素息息相关。对于上述问题,本文提出一种基于卷积神经网络的链路状态预测算法,用于预测图传系统中链路的链路状态,选择链路状态较优的链路进行传输,从而间接降低图传系统的时延。