在一些图像存储和传输资源有限的情况下,图像一般需要经过比特深度重量化来满足资源要求,随后再经过比特深度重建来生成原始比特深度的图像。其中图像比特深度重建技术旨在解决比特深度重量化给图像带来的伪轮廓和颜色失真问题,但对于重量化导致的图像结构信息丢失却没有办法重建。而现阶段的比特深度重建技术又只单一地针对低位截断这一简单的比特深度重量化方式进行图像重建,这严重地限制了最终的重建图像质量。本文主要围绕图像比特深度重量化和重建过程展开研究,基于神经网络进行算法设计。研究内容包括:（1）首先对比分析现有的图像比特深度重建算法中的神经网络模型,选择其中更适合于整个比特深度重量化和重建过程的基于残差图像的重建方法。分析了该方法中对网络输出进行截断处理方式会在图像平缓过渡区带来伪轮廓的问题,并对此提出了通过在神经网络输出层前添加有界映射层的方式来解决这种缺陷。另外改进了比特深度重建中的网络结构,其中设计了融合轮廓特征信息的残差基础网络模块,并利用U型网络结构进行网络模型搭建。最后改进了模型训练时损失函数的使用策略,先利用感知损失函数对模型进行粗训练,然后再使用一个基于像素的损失函数进行模型微调。这些改进方式对基于残差图像的比特深度重建算法性能有着良好的提升效果,最终算法模型能够达到现阶段图像比特深度重建算法的最佳性能。（2）使用神经网络构造图像比特深度重量化算法模型,这样的方式较传统量化方法保留了更多原始图像中的结构信息,减少了重量化造成的图像失真。另外还将该方法与改进后的图像比特深度重建算法结合应用于整个图像比特深度重量化和重建过程,经过实验测试这种方式不仅可以有效地去除重建图像的伪轮廓和图像颜色失真,同时也使得重建图像有着更多原始图像中的结构信息。最终的重建图像质量优于现阶段的比特深度重建算法的重建图像质量。