随着智能终端设备不断普及,每天产生大量图像、视频内容,图像编码作为数据存储和传输的关键技术一直是人们研究的重点。过去几十年中,传统图像编码发展逐渐遇到瓶颈,一方面因为编码标准中各模块计算和存储复杂度不断增加,未来按照当前编码模式持续提升性能更加困难;另一方面分类、检测等智能应用快速发展,现有编码算法难以应对此类需求。针对上述问题,基于深度学习的编码算法提供了新的解决思路,考虑到自编码器作为深度学习编码框架中的基础结构,本文重点研究基于深度自编码器的图像有损压缩算法。论文主要贡献概括如下:（1）提出自适应比特分配的多尺度自编码器图像压缩算法,解决传统自编码器网络没有充分利用各层特征和无法自适应进行比特分配的问题。算法将编码器中不同尺度的特征进行组合,利用自适应比特分配模块对特征进行处理,然后传递到解码端。实验表明,提出的算法在主、客观质量上比JPEG有明显的优势,在MSSSIM评估下,相比JPEG2000节约3.71%比特率。（2）提出分类精度保持的图像压缩算法,解决图像经过压缩算法后分类精度下降的情况。算法在率失真损失基础上引入分类特征损失,通过实验确定多尺度特征融合方案和损失函数融合权重,使网络在优化率失真性能的同时尽可能保持图像分类精度。实验表明,在MS-SSIM评估下,提出的算法能够达到与BPG相近的客观质量,同时重建图像在Top-1准确性上比BPG高2%。（3）提出感兴趣区域增强的图像压缩算法,解决压缩过程中对感兴趣区域质量下降的问题。算法中引入了感兴趣区域特征增强的编码器,通过计算重要性得分将感兴趣区域特征与原图特征融合增强感兴趣区域。实验表明,相较于JPEG、JPEG2000、BPG和一些深度学习压缩算法,所提出的算法在感兴趣区域和重建全图具有较好的客观质量,在MS-SSIM评估下,全图重建比BPG节约18.71%比特率,感兴趣区域节约38.64%比特率。