本文全面系统地综述了矢量量化数据压缩理论,特别是矢量量化码书设计算法的发展历程和研究现状,回顾了经典的矢量量化码书设计算法——LBG算法。研究了神经网络中的学习矢量量化(LVQ)算法,并针对其缺陷,提出了一种改进算法,仿真实验证明了它在图像压缩编码中的有效性。重点研究了基于自组织特征映射的码书设计算法——SOFM 算法,介绍了SOFM 网络模型,并分析了SOFM 算法的收敛性能,通过仿真实验研究了输入矢量集是二维情况下,SOFM 算法的训练过程,其中码书初始化采用随机方式;然后讨论了自组织特征映射中邻域函数和学习速率函数在SOFM 算法中的作用,并针对传统学习速率难调整的缺陷,推导出了最优学习率函数的表达式。仿真实验结果表明,本文所提出的使用最优学习速率函数的SOFM 改进算法,在输入矢量集是二维情况下,平均量化失真小于基本算法;在图像压缩编码中,使用SOFM 改进算法所设计出的码书在重构图像的信噪比和峰值信噪比等方面优于基本算法。最后对全文的工作进行了总结,对基于神经网络的矢量量化技术的进一步研究进行了展望。