随着不同纵横比的显示设备数量激增,图像与显示设备的不匹配问题使缩放技术成为图像处理研究的一个热点问题。基于内容感知的图像缩放方法在缩放过程中使图像的变形尽量发生在相对不重要的区域,但当对主体过大或背景复杂等图像缩放时会产生主体变形严重或全局语义丢失等问题。而基于深度学习的图像缩放方法提取图像的高层语义特征指导缩放过程,能够缓解全局语义丢失,但会产生低层语义缺失。针对上述问题,本文提出两种图像缩放方法:一是提出一种能量转移的图像缩放方法ET-CAIR(Energy Transferring for Content-Aware Image Resizing),用以解决基于内容感知的图像缩放存在的问题;二是提出一种改进金字塔池化模型的图像缩放方法ISPP-IR(Improved Spatial Pyramid Pooling for Image Resizing),用于提升深度学习图像缩放中低层语义。论文主要工作包括:研究了内容感知的图像缩放,提出了ET-CAIR方法。ET-CAIR改进了缝裁剪,并与均匀缩放构成多操作。其中,在缝裁剪中融合了图像的梯度图、视觉显著度图与人脸图构成重要度图;在提取最佳接缝时提出了一种能量转移规则,用于保护最佳接缝的邻域像素,避免移除或者复制最佳接缝时大量接缝穿过同一区域;同时提出一种客观相似性评价用于检测缝裁剪算法对图像的变形度,若超过阈值,转为均匀缩放方法达到目标尺寸,使得目标图像不会发生明显变形,最大程度保留了全局语义。研究了基于深度学习的图像缩放,提出了ISPP-IR方法。ISPP-IR是基于编码器和解码器的图像缩放方法,能够端到端嵌入到图像缩放框架中。其中,编码器为经过预训练的Res Net分类模型,解码器为改进的金字塔池化模型,即金字塔池化模型与上采样模型的多层级联,上采样模型渐进采样到所需尺寸的目标图像,通过内容损失函数和结构损失函数之和来控制整个ISPP-IR网络的反向传播。ISPP-IR方法能够有效提取特征的局部与全局语义信息,并保留原图像中的局部低层语义。在MIT Retarget Me和MSRA数据库上对ET-CAIR算法进行验证,将ET-CAIR缩放结果与四种主流的图像缩放算法进行对比,并进行主观评价与客观质量评价,结果表明ET-CAIR方法具有更好的缩放效果;在VOC2007数据库上对ISPP-IR网络进行了训练,将ISPP-IR缩放结果与深度学习的图像缩放方法、内容感知的方法和ET-CAIR算法进行对比,实验结果表明ISPP-IR方法的缩放图像视觉效果较其他方法更优。