随着多媒体时代的快速发展以及手机等智能设备的不断升级,海量的图像数据给网络的传输带宽以及设备的存储空间带来了极大的挑战。因此,设计高效、适用的图像压缩算法成为了图像领域的研究热点之一。近年来,深度学习理论发展迅速。在图像压缩领域中,深度学习方法利用神经网络的卷积操作在降低图像尺寸的同时对图像的内部特征进行学习,相比于传统压缩算法无需人工构造特征及编码,是极具潜力的图像压缩技术。图像的最终面向对象是人,人眼的视觉质量是评判图像重建效果的关键,图像中人眼关注程度越高的区域对视觉质量的影响越大。然而,目前基于深度学习的图像压缩算法在压缩和重建时将图像中所有区域赋予了相同的处理优先级,对每个像素进行了压缩比特的平均分配,缺乏对人眼视觉注意机制的考虑。本文针对图像压缩中的视觉注意机制问题进行研究,主要工作内容如下:本文设计和实现了基于语义分析的深度学习图像压缩方法,由图像压缩网络和图像语义分析网络两部分组成。其中,图像压缩网络采用基于神经网络的自编码器模型,通过卷积神经网络实现对图像的特征提取和尺寸压缩,并使用上采样技术重建原始图片。同时,利用循环神经网络的记忆特性设计了网络的迭代方案,可以通过调整迭代次数控制图像压缩比率。图像语义分析网络采用基于VGG16的网络结构,通过类激活映射可视化网络的分类结果,生成输入图像的语义重要性图。本文提出了压缩比特分配算法将压缩网络与语义分析网络相结合,根据语义重要性图计算图像各区域的压缩等级,并根据对应的等级对各区域进行压缩与重建。实验表明,本文所提压缩方法在相同的压缩开销下提升了重建图像的视觉质量。