随着信息技术的发展,庞大的图像数据量和严峻的资源限制给多媒体领域的发展带来了巨大的挑战。图像压缩技术可以减少图像数据中的冗余信息,从而降低存储和传输的压力。近年来,深度学习在计算机视觉领域的应用起广泛关注,利用神经网络来提取图像的深层特征,在图像分类、目标检测和图像超分辨等应用领域都取得了突破性的研究成果,然而深度学习在图像压缩领域仍处于初步研究阶段,已有的一些研究表明其存在巨大的研究潜力和价值。本文以生成式对抗网络为基础,针对损失函数的设计、复原图像质量的综合评测以及现有算法中存在的数据依赖等问题展开讨论,本文主要的研究内容和创新性工作包括如下:1)针对生成式压缩算法中存在的数据依赖性问题,提出了一种基于谱归一化的改进方法,通过分析判别器的优化空间,阐述了改进判别器的设计思路并分析改进所需的约束条件。实验结果验证了本文提出的算法相比普通的生成式对抗网络,在复原图的多样性和清晰度上均有明显的提升。2)针对随机生成的图像和原始图像差别较大的问题,提出了一种基于互信息最大化的改进方法,将压缩数据和复原图像之间的互信息作为附加的优化目标,完成多类别图像的压缩。实验结果展示了本算法在单类别图像和多类别图像数据集上的图像复原能力,并与其他图像压缩算法的性能比较,验证了本算法的优越性。3)介绍了两种基于神经网络的图像处理技术中常用的损失函数类型,分别是像素级损失函数和特征提取损失函数,并由此提出一种混合型的损失函数,并将其应用在本文提出的图像压缩算法的网络训练中,通过实验结果找到最佳的权重分配方案,并将本文提出的损失函数与其他损失函数的实验结果进行比较分析。4)介绍了主观和客观的图像质量评价方法,并针对实验中不同类型的数据集提出了不同的综合评测方法,使综合指标更能反映算法的复原性能。