图像压缩（Image Compression）的主要目的是减少表示数字图像时需要的数据量。由于图像数据量非常庞大,如果不经过处理,在存储、传输、处理时非常困难,因此图像数据的压缩有很重要的作用。凭借着能有效降低数据量的优势,图像压缩技术被用于各个领域。在计算机技术诞生不久,图像压缩技术便被提出。经过几十年发展,包括JPEG等图像压缩标准已经被广泛应用。近几年,深度学习方法,特别是卷积神经网络（Convolutional NeuralNetwork,CNN）在图像压缩领域取得了巨大成就。本文针对低码率下显著性目标失真度较高,深度学习算法处理速度慢的问题。接下来,本文从两个不同角度开展了如下两项研究工作:从低码率下显著性目标失真严重的问题出发,提出了基于显著性图像压缩的设计。本文提出了一种有效的显著性压缩算法。首先利用U2-Net方法进行显著性目标检测,并将ImageNet制作成显著性图像数据集。然后基于Balle的基础模型进行图像压缩,对于该模型本文通过引入注意力通道方法减少空间冗余,改进高斯混合模型提升熵估计,最后引入解码器增强模块学习高频信息。在整体网络设计中,本文通过略微牺牲背景的情况下,分配更多的带宽给显著性图像区域。最终,提出的显著性图像压缩算法取得了优异的压缩性能。从深度学习压缩时间较长的问题出发,提出了基于超分辨率的图像压缩设计。为了解决深度学习图像压缩模型处理耗费时间长的问题,本文提出采用基于编码的图像压缩下采样后然后进行超分辨率重建。首先采用传统的图像压缩算法进行下采样,用于获得低采样率图片。对于高频信息丢失问题,本文采用残差补偿的方法提升图像质量,在视觉细节方面会有更大优势。对于压缩模型,本文引入稀疏卷积代替原网络中的卷积模式,在基本不丧失精准度的前提下,提升了增提网络的运行效率。结合下采样模块处理时间,本文的整体模型处理速度有显著优势,有效地提高了较低的比特率重建图像的质量。