随着遥感成像技术的进步,高光谱图像数据量激增。这不仅不利于图像的的存储和传输,也会造成资源的浪费。因此,高光谱图像的压缩变得十分必要。传统的高光谱图像压缩方法主要是基于预测和变换的方法,遵循香农-奈奎斯特定理,缺点是采样速率过大,而且压缩过程中没有考虑图像的结构特征信息。本文针对高光谱图像的二维和三维压缩模型,提出了基于块稀疏字典的保持高光谱图像结构化的压缩方法。首先,提出了一种轻编码端的高光谱图像二维压缩与重建方法。在编码端,通过观测矩阵获得原始图像数据的压缩观测值,在解码端利用结构自适应的块稀疏字典对图像进行重构。此方法解码端耗时较长,但是,本文通过改进的块稀疏系数编码算法提升了编码效率。实验证明,块稀疏字典的块稀疏度值的选取与高光谱的地物特征个数和原子块尺寸有关,应用过程中要根据实际情况选取合适的块稀疏度的值。本文方法和和非学习字典、非结构字典以及固定结构字典相比,提升了压缩性能。然后,针对上述方法解码端复杂度较高的问题,提出了一种轻解码端的基于块稀疏系数编码的高光谱图像二维压缩与重建方法。在编码端将原始图像数据在块稀疏字典下进行稀疏编码,然后利用本文的块稀疏系数编码算法进行压缩编码,得到三个矩阵信息。最后根据编码后得到的信息在解码端实现重构。优点是缩短了重构时间并且进一步降低了压缩率,在不破坏图像结构特征的前提下,可以达到较高的重构质量。此方法适用于不计较编码端资源使用情况的情形,可以降低压缩率并且保证重构精度。最后,针对二维压缩模型由于分离独立的操作所带来的破坏图像三维结构特征信息的问题,将高光谱图像视为一个三维的张量信号,提出了一种基于多维块稀疏表示和字典学习的高光谱图像压缩方法。首先对高光谱图像的每个模式训练出一个学习字典用以匹配每个模式的特征信息,构建高光谱张量的块稀疏表示模型。然后基于Tucker分解模型实现高光谱张量的空间光谱联合压缩,最后利用张量的块稀疏重构算法恢复原始图像张量。最大的优点是通过块稀疏的张量重构算法避免了复杂的非线性重构,显著提升了计算效率。并且为高光谱图像的三维压缩提供了一种灵活调节压缩率的机制,研究人员可以根据实际情况来适当地调节空间和光谱维的压缩率。