差分脉冲编码调制(DPCM),作为预测编码中最常用的一种方法,由于其算法简单,易于硬件实现,在图像压缩编码中得到了广泛的应用。然而,对于采用线性预测方法的DPCM系统,其预测值和实际值之间的差值分布范围广泛,在图像的高保真编码中,一般很难达到信噪比和压缩比都比较理想的压缩。人工神经网络是一种旨在模仿人脑结构及其功能的信息处理系统。它由大量的非线性处理单元,以及单元间复杂、灵活可变的连接关系所构成。神经网络能够实现任意的非线性映射,能够并行分布处理,并且具有很强的自学习能力,在信息工程和控制工程中有着广阔的应用前景。作为图像DPCM系统核心的预测器,其预测精度将直接影响到恢复图像的质量和数据的压缩比。BP神经网络具有对任意非线性映射进行任意精度逼近的能力,故可以用作图像DPCM系统的预测器,实现非线性预测。本文采用神经网络的方法对DPCM系统进行优化设计,将BP神经网络运用到DPCM系统的预测器中来,通过对图像数据的非线性预测,使预测误差较线性DPCM系统大大减小,从而达到提高压缩比和信噪比的目的。为避免神经网络长期运算在平坦区,提高运算速度,本文从神经网络的学习算法入手,将变步长的方法和添加假饱和预防函数相结合,并且针对标准BP算法中连接不同层神经元的权值调整量相差很大的特点,使之采用不同的学习步长,来提高隐层在误差修正中的作用,通过对正弦函数的逼近实验证明,这种方法能够提高网络的收敛速度。同时,针对由于图像数据量巨大造成的BP网络训练样本过大、系统设计中容易引起误差过度积累的缺点,本文将图像进行分块运算,每一部分采用一个不同的BP神经网络进行预测运算。通过对图像的C程序仿真实验表明,与线性DPCM系统相比,将BP网络用于图像DPCM系统,能够进一步提高压缩比和信噪比,并且得到高质量的恢复图像。