随着5G的发展,海量的信息数据带来的是存储设备的紧张以及网络资源的卡顿。因此,寻求合理有效的图像压缩方法以提高网络资源的利用率会成为未来图像研究领域的热点之一。深度学习目前在图像领域有了较为成熟的应用,使用深度学习方法探索更科学、更高效的图像压缩方法必然是解决海量图像数据存储的有效路径之一。本文基于深度学习技术对图像压缩方法进行研究,通过对深度学习技术的学习和其在图像压缩领域中的应用现状的研究与分析,提出一种基于多级对抗网络的图像压缩方法,对图像数据的压缩精度和重构图像的分辨率进行了优化,设计了基于多级对抗图像压缩方法的图像处理软件。实现了对图像压缩方法的应用。具体工作如下:（1）对基于深度学习的图像压缩算法进行了研究与分析,按照基于CNN的图像压缩方法、基于RNN的图像压缩方法和基于GAN的图像压缩方法进行研究。对不同种方法进行了代表性实例的研究与分析,总结了常用评价指标,并对其未来的发展趋势进行了讨论与分析,为后续研究打下了基础。（2）本文给出了一种基于多级对抗结构的图像压缩方法,进一步降低了图像压缩数据量,并实现了重建图像清晰度的优化。通过图像金字塔构建多级对抗结构,在各层级金字塔结构中引入生成对抗网络,设计了一个基于三层结构的端到端的图像压缩框架。实验结果显示在给定压缩比的条件下,多级对抗结构在重建图像清晰度效果明显优于经典方法,以及在PSNR和SSIM数值对比上都取得了较好的效果。（3）本文使用Pycharm并结合Anaconda和PyQt5开发了一款以图像压缩为主的图像批处理软件,软件由图像压缩模块、图像重构模块、图像质量处理模块、图像添加水印模块以及图像重命名模块组成。其中图像压缩模块和图像重构模块为本文多级对抗图像压缩方法所训练的网络模型;图像质量处理模块可处理图像清晰度;图像添加水印模块和图像重命名模块作为常用功能。整个软件界面清晰明了,流程操作简单明了,可以满足新手用户对图像处理的需求。