近年来云计算技术的普及与成熟应用,使得用户使用云端存储数据成为主流。为了保护数据隐私,用户会在传输到云端前对数据进行加密处理,但由于计算资源受限或对数据压缩无利益驱动,发送端用户往往只会对内容数据进行加密,而不对数据进行压缩处理。鉴于图像的广泛使用,这将使得云端的加密数据急剧增加。但信道带宽资源以及云端存储容量的有限特性,将促使云端在未能获得加密密钥的情况下对加密图像数据进行压缩处理。为了恢复原始图像,接收端则需要对加密压缩图像进行解密及高质量重构,以满足用户对高质量图像的需求。因此,在大数据、云计算应用场景中,如何有效对加密图像进行高效压缩以及高质量重构是当前需要深入研究的问题之一。该问题的研究对云计算的实际应用以及加密域可逆信息隐藏具有良好的促进作用。本论文中,发送端采用流密码对原始图像进行加密,然后发送到云端。云端在无法获取加密密钥的情况下,采用均匀下采样方式进行压缩,以尽可能保证图像数据内容间的空间结构。在获得加密压缩图像后,接收端利用独立安全通道获得的加密密钥进行解密操作,随后再利用解密后的下采样子图像重构原始图像。为了获得更好的重构质量,就需要充分利用载体图像的统计特性。鉴于深度学习能良好地捕获载体图像的统计特性,因此本文利用深度学习来更好地重构原始图像。考虑到接收端解密后的图像本质上是原始图像的一个子图像,因此解密子图像的重构问题可以表征为超分辨率重构的问题。然而,由于本论文的压缩方式特点,使得解密子图像的重构问题并不能直接套用常用的超分辨率重构算法,需要有针对性地进行基于深度学习的重构网络设计。此外,目前已有的基于深度学习的图像超分辨率重构算法亦存在着一些问题。例如,传统的卷积神经网络虽然已经能够取得不错的重构效果,但是仅局限于较平滑、细节较少的图像;深层的卷积神经网络能够充分提取图像的纹理信息和边缘信息,拟合更高维度的特征表达,但却会产生梯度弥散和特征丢失等问题;此外,神经网络重构算法通常使用输出与输入定义的单任务损失函数,在重构过程中容易陷入过拟合,使得样本外的重构质量无法达到预期。本论文把解密子图像（即虽解密但处于仍未解压缩状态）的重构问题表征为下采样子图像的超分辨率重构问题,然后通过设计并优化深度学习网络框架,来对接收端的解密子图像数据实现超分辨率重构,以便高质量地重构原图像。本论文主要从以下几点进行研究:针对云计算环境中图像加密数据的有效压缩和高质量重构问题,本文采用均匀下采样方式进行压缩处理,以此保留图像数据内容间的空间结构,并采用深度学习的方法对下采样子图像实现超分辨重构。鉴于残差网络能够提升重构网络对图像高频信息的捕获能力,本文通过堆叠残差块结构优化重构网络,并设计双任务损失函数,隐层中用于某个任务的特征表示也可以被其它任务利用,共享底部的隐层单元参数。仿真实验结果表明:本文提出的加密图像压缩与重构算法大幅提升了压缩效率,在实际生活中也具有较好的应用价值。使用多任务损失函数调节参数,提升了网络的收敛速度和泛化能力;（1）在图像特征学习问题上,本文提出基于残差块结构的神经网络超分辨率重构算法。在此基础上,对网络架构进行优化,研究如何针对图像纹理信息提取以及特征丢失的问题,提出内容补充结构以及跳层结构;（2）在重构网络的优化问题上,本文研究多任务损失函数。多任务损失函数由3个单任务函数加权组合构成,在网络的优化过程中,后向传播算法并行地作用于3个单任务输出。由于3个单任务输出共享底部的隐层单元参数,隐层中用于某个任务的特征表示也可以被其它任务利用。使用多任务损失函数调节参数,提升了网络的收敛速度和泛化能力;（3）采用上述优化设计后的重构网络及损失函数,本文设计了两个基于深度学习的加密图像压缩与重构算法。其中,加密采用流密码加密方式,压缩采用均匀下采样策略,重构采用了基于残差块结构的深度学习超分辨率重构网络及其改进版本。在权威训练数据集及测试集上的实验仿真表明,本文提出的加密图像压缩与重构算法大幅提升了压缩效率。此外,本文提出的下采样子图像超分辨率重构算法,与其他图像超分辨率经典算法性能接近,这是因为本文解密后的下采样子图像与超分辨率重构中的低分辨率图像并不完全等价而导致了性能的下降。因此,本文提出的算法在重构质量上有一定的优势,而且在实际生活中也具有较好的应用价值。