近年来,随着计算机网络的发展,图像和视频在网络中的应用越来越广泛,并且它们的传输也变得越来越重要。如何保证图像和视频在信道的高效率传输,成为当前研究热题之一。在有损信道上多媒体业务的迅速增长,促进了高效、可靠和适应性强的编码技术的发展,多描述编码方法(Multiple Description Coding,简称MDC)已经成为解决这种情况的最有效的编码技术之一,尤其是在实际应用中数据不可靠传输的情况下。在多描述编码方法中,信源被编码成包含受控冗余的多个描述,这些冗余用于解决跨通道传输时无法预测的丢包问题,将描述通过不同的网络路径传输到解码器,解码器利用接收到的描述重构源数据。另外,卷积神经网络(Convolutional Neural Networks,简称CNNs)在图像分类和模式识别等领域应用广泛,也越来越多的将其应用到图像压缩领域,并利用其自身的优势,获得了良好的视觉效果。本文以提高重构图像的精确度和编码效率为出发点,利用深度学习的相关知识,在CNNs的基础上对多描述编码方法进行了深入研究,进而研究了基于卷积神经网络的多描述图像编码方法,主要创新性研究成果如下所示:1)提出了一种基于对称卷积自编码器(Symmetric Convolutional Auto-encoder,简称SCAE)的多描述图像编码方法。使用的对称卷积自编码器设置了全卷积网络,使用步幅为2的卷积层代替池化层,并将其与卷积层交替连接逐层提取图像特征,设置了去卷积层将低维特征映射成高维输入。多描述编码框架的编码器将提取的卷积特征编码成包含两个子集的两个描述,分别经过不同的网络路径传输到解码器,而所有描述同时丢失的可能性很低,从而最大限度的避免了丢包问题。实验结果证明,该方案能够在保证图像编码效率的前提下,解决数据包丢失引起的图像质量下降问题,并提高重构图像的精确度。2)提出了一种基于卷积自编码器的多描述编码网络(Multiple Description Coding Network,简称MDCN)。网络框架是在卷积自编码器的基础上搭建的,为了在低比特率下实现高质量的图像压缩,多描述编码器网络和多描述解码器网络无缝集成到端到端压缩框架中。由于量化的舍入函数不可微,本文在优化过程中使用加性均匀噪声来模拟量化噪声。通过将SSIM损失与距离损失相结合来训练多描述编码器网络,确保即使将特征分为多个描述也可以共享结构信息。实验结果证明,本文提出的方案的性能优于其他现有的方案,可以减少重构图像的失真,尤其是在低比特率下,得到的重构图像的质量得到有效改善。