自适应二进制算术编码广泛应用于图像和视频编码领域。传统的算术编码器仅产生一个长度未知的码字,这个码字的生成需要一个重归一化过程,以允许逐步处理符号序列,因此传统算术码计算复杂度较高,无法进行部分解码,且几乎没有抗噪声性能。本文介绍了一种FLW算术编码器,与传统方法不同的是,它避免了重归一化的过程,降低了计算复杂度。并且该编码器可以产生多个相互独立且长度固定的码字,所以也可以看做是一种分组算术码,各码字可以根据需要来独立进行解码。码字在传输过程中受到噪声干扰后,解码产生的错误不会影响到下一个码字的解码结果,极大提高了抗噪性能。但FLW编解码器在解决传统算术编解码器的缺点的同时,压缩的效果比传统算术码的效果更差。因此本文在FLW编解码器中加入Context模型来提高压缩效率。考虑到信源序列中编码符号之间的相关性,用符号序列的条件概率来代替各符号的统计概率进行Context建模。理论情况下,Context模型阶数越高,压缩效果也会越好。但Context模型的阶数过高时,统计出来的条件概率分布过多且每个分布中的数据变少,这就不能较好的反应符号序列的统计特性,反而不能达到预期的压缩收益。因此,本文在针对使用高阶Context模型的情景中,利用统计后的条件概率分布,来计算条件合并后的自适应码长增量,对模型进行了量化,充分挖掘了信源符号的统计特性,产生了一个新的具有更好统计特性的条件概率分布。实验表明,将量化后的Context模型应用到FLW算术编码器中,可以在对压缩效果的影响非常小的前提下,改善传统算术码存在的这些缺点。