数码相机和智能手机的普及，让人们可以很方便的获取大量图像数据，图像数据呈现了爆炸式增长。对如此大规模的图像数据进行存储和传输，必须先对其进行压缩。传统的图像压缩方法，已经不能满足大规模图像数据压缩要求。　　本文主要围绕群体图像压缩这一关键技术展开研究，针对大规模图像的群体性、冗余性特点，提出了针对群体图像及增量图像的压缩方法。本文主要针对以下三个方向进行了探索:面向群体图像排序的度量学习、图像编码的多几何变换方法和增量图像的压缩。　　(1)面向群体图像排序的度量学习。对群体图像进行排序，是对群体图像进行压缩的基础。首先调研传统的基于距离对约束和基于相对距离约束的度量学习的特点，剖析其原理和面向图像排序的缺点，提出了一种新的面向排序的度量学习方法，这种方法能够充分挖掘群体图像的冗余性，对图像进行排序，尽可能的让图像的压缩代价之和最小。　　(2)图像编码的多几何变换。对参考图像做几何变换，使其和被压缩图像进行对齐，是图像压缩中的重要一环。本文在调研简单二维几何变换和单模型RANSAC几何变换的基础上，针对这些方法的缺点，提出了基于参考图像特征点运动矢量的多几何变换模型。　　(3)增量图像的压缩。对于增量图像，通常是对其直接进行压缩，但这忽略了增量图像和已有群体图像数据库之间的冗余性。本文提出了利用增量图像和已有群体图像数据库的冗余性，在已有群体图像数据库中找到每一幅增量图像的视觉最相似图像作为参考图像，对增量图像进行压缩。　　综上所述，本课题对群体图像压缩技术进行了深入的研究，取得了许多有价值的成果，加快了大数据时代的大规模群体图像压缩的实用化进程，为大数据时代大规模群体图像的存储和传输提供了可能。