随着互联网规模、层次的不断扩大和5G技术的飞速发展,各种应用层出不穷。图文视频平台和各种摄像设备的普及,使得传统图像压缩技术难以有效缓解大量视频和高清图像带来的带宽压力。一方面,新的媒体格式、不断更新的硬件技术都需要一种比传统图像压缩技术更灵活的压缩算法;另一方面,随着物联网、车联网等应用的发展,图像视频传输的质量要求也越来越高,因此,如何在较差网络环境中高效高质量地传输图像视频是图像压缩通信技术发展的关键。近年来,随着深度学习在图像压缩领域的巨大成功,海量图像视频对带宽的压力得到一定程度的缓解。但是,如何提高深度学习图像压缩算法的抗噪性能仍是亟待解决的问题。本文深入调研深度学习图像压缩领域相关算法,对深度学习图像压缩算法的压缩和抗噪性能展开研究;与此同时,将深度学习压缩算法与图像上传、图像缓存、图像剪裁拼接和信道模拟传输等功能集成并封装,从而实现图像压缩通信系统。本文的具体研究内容和工作如下:（1）深入研究了变分自编码器和信息瓶颈相关理论,将变分自编码器应用于图像压缩领域,针对图像压缩领域的特点和难点对变分自编码器进行了改进,设计了量化器和量化器梯度反向传播方案,解决了变分自编码器应用于图像压缩的训练问题。在公开数据集上进行了实验,验证了设计的框架结构确实提高了图像压缩模型的抗噪性能。（2）本文设计了一个将深度学习图像压缩算法和图像通信等功能进行集成的方案,实现了图像压缩通信的基本系统功能。利用人工搜集和处理的数据集训练图像压缩模型,提高了系统对日常活动图像的压缩效果。同时在本系统架构下,利用变分自编码器的图像压缩算法提高了图像压缩通信的抗噪性能,从而提高了在噪声环境下图像通信的质量。