基于上下文的熵编码在图像编码系统中扮演着重要的角色，它充分地利用了各符号之间的相关性，使图像的压缩性能大大提升。上下文量化是上下文熵编码的最重要组成部分，它解决了熵编码中上下文过多的问题。上下文量化的准则是相对熵最小。现阶段，上下文量化只有GLA和动态规划两种算法。 本文对上下文量化的GLA算法进行了深入的研究，指出GLA算法对初始码本比较敏感，容易陷入局部最小值，并采用简化的随机松弛算法来解决GLA算法受初始码本影响的问题；此外本文还根据动态规划算法的性质，减少了GLA算法冗余计算量。实验结果表明，本文提出的GLA改进算法能够在基本没有增加算法复杂度的前提下，较大幅度地减少量化误差。 本文首次把遗传算法和模拟退火算法应用于上下文的量化。遗传算法是一种区域搜索与空间扩展相结合的算法，其量化误差介于区域搜索(如GLA算法)和全局搜索算法(如动态规划算法)之间。针对遗传算法容易过早收敛和进化后期搜索效率较低的缺点，本文把模拟退火算法与遗传算法结合使用，利用退火温度T控制搜索过程朝着最优化的方向进行，同时根据Metropolis准则，以一定的概率接受某些劣解，以便跳出局部极小值的陷阱。实验结果表明：遗传退火算法的量化误差比GLA算法的减少了大约1/4，与动态规划算法的结果非常相近，而耗费时间不到动态规划算法的1/7。 本文还把SOM算法应用于上下文量化。实验结果表明，用SOM算法进行上下文分类的量化误差也远远小于JPEG2000的结果，而且SOM算法的速度非常快，将来可以运用到在线的上下文量化中。