图像压缩和图像分割算法是目前数字图像处理中应用较广泛的技术。图像压缩旨在当压缩率较高时图像信息丢失（颜色、纹理等）较少,这样可以在保证图像质量的前提下减少图像所需存储空间以及传输带宽。但目前的图像压缩技术难以协调压缩率和图像质量之间的矛盾,且往往对于不同的压缩率需要重新训练网络模型,这是极其耗时的。图像分割旨在能够精准地从图像中提取到目标物体,但传统的分割算法分割准确率较低、性能较差、耗时较久。目前基于深度学习的全自动图像分割技术难以确定目标物体边缘位置所属的类别,且分割结果依赖训练数据集,实用性较差,因此在分割过程中提供一种正确的用户引导分割方式是有必要的。本文结合了深度学习技术,针对现有方法中的不足之处提出了一种基于用户交互与深度神经网络的图像压缩与分割方法,并开展了相关研究,其主要工作内容为:将图像压缩的解压缩过程看作是一个着色过程,提出了结合图像全局颜色主题和局部输入的交互方式,搭建了一种在灰度图上增加用户交互来恢复原彩色图像且不用重复训练的网络模型,并设计了一种合适的损失函数来衡量并约束两种交互方式,进而提出了一种可变压缩比策略即用户可以协调压缩率和图像质量之间的矛盾。在目前经典的全自动图像分割基础上,提出了一种合适的用户交互方式（初始交互和微调交互）来智能地纠正全自动分割结果中错误的区域,融合了注意力机制思想搭建了一种交互式图像分割模型,设计了一种合适的损失函数来监督网络训练过程以及约束用户输入,从而达到最好的用户引导作用。最后通过视觉和数值实验证明了本文提出的图像压缩算法超越了目前经典的一些方法,达到了在较高的压缩率下,图像质量损失较少;且本文提出的图像分割算法改善了全自动分割技术中分割不完整、分割类别错误以及过度分割等问题。