近几年，视频图像业务已经成为人们生活工作中的主要通信方式之一，随着拍照设备的快速更新以及人们对视觉品质要求地逐步提高，图像数据量呈爆发式增长，因此寻求更高效的图像压缩编码技术刻不容缓。稀疏表示目前得到国内外众多学者的广泛研究与认可，并在图像编码方面取得了一定的成果。基于图像稀疏表示的图像编码主要原理是利用图像稀疏表示算法灵活的构造基于图像内容的字典，提高压缩性能。
　　本文研究了基于高阶自组织映射神经网络(HighorderSelf-OrganizationMapping，简称SOMN)算法的图像稀疏性表示方法。神经网络可以对大批量数据进行学习训练，以此发掘数据中包含的深层次结构，从而提高对图像特征的描述能力。本文主要的研究内容及创新点包括：
　　(1)研究SOMN算法，讨论基于图像稀疏性表示的图像编码方案，对于目前使用图像稀疏表示算法构造字典颇为复杂的问题，研究基于SOMN算法的图像稀疏性表示方法，即使用SOMN算法构造模式字典实现稀疏编码。
　　(2)分析构造模式字典的关键步骤并进行改进。首先为提高算法学习效率，对传统SOM算法的学习函数进行改进，另外改进邻域函数，采用余弦函数来代替指数函数，拓宽邻域搜索路径，并且为维持邻域值的稳定，将前次的邻域结果引入到当前次的学习训练中；其次讨论基于聚类的字典初始化方法，使用聚类算法按照模式的特征构造构成有序、特征明显的初始模式字典；最后，为提高模式匹配的精度，引入多元二次核函数作为新的失真测度衡量标准，以此推导出新的权重更新调整函数。结合上述改进，选用标准测试图像进行验证，结果表明，改进SOMN算法得到的模式字典实现图像编码有更好的重建质量。
　　(3)针对块匹配运动估计算法中存在的弊端，研究基于SOMN算法的运动模式识别方法，并结合改进将其应用于视频序列实现运动估计，仿真数据表明，与块匹配算法对比，该算法在重建视频图像时，图像质量有很大提升。
　　(4)研究基于SOMN算法的模式识别方法实现立体视频编码。仿真结果表明，与块匹配算法相比，该方法在重建立体视频图像时，主客观质量均有提升，拥有较好的预测编码性能。