随着遥感技术和成像光谱技术的迅速发展，成像光谱图像呈现出高空间分辨率、高谱间分辨率、超多波段等特点，其数据量也呈几何级数增长，给传输和存储带来了极大的挑战。基于此，成像光谱图像的压缩显得尤为重要。现有的成像光谱图像压缩算法通常源于普通图像的压缩技术，在压缩过程中对原始数据中的所有信息同等对待。而实际应用中通常采用一定的特征提取技术，仅利用成像光谱图像中与内容相关的特征信息进行后续的分析和处理。因此，在成像光谱图像的压缩过程中，如果能够对这些内容信息进行区别对待，对于提高算法的压缩性能、保证重建图像的有效性将具有重要意义。　　 基于以上背景，针对成像光谱图像的特点，本文开展了基于内容的成像光谱图像有损压缩技术的研究。主要研究内容包括：　　 1.实现了一种基于混合变换和3D-SPECK的成像光谱图像压缩算法。　　 首先将成像光谱图像以16个波段为单位进行分组，然后分别采用主成分分析(Principal Components Analysis, PCA)变换和小波变换去除其谱间和空间相关性，最后采用3D-SPECK(Three Dimension Set Partitioned Embedded Block)方法对变换后的数据进行编码。实验结果表明，与离散小波变换相比，PCA变换更加适合去除成像光谱图像的谱间相关性，算法的压缩性能与传统基于三维小波变换的3D-SPECK方法相比得到了显著提高，重建图像的SNR值平均提高了约4dB。　　 2.提出了一种基于PCA变换的成像光谱图像快速矢量量化编码算法(PCA_FAVQ)。　　 首先对成像光谱图像进行PCA变换，将其中的主要信息集中在少数主成分，进而采用一种基于特征值的方法实现重要主成分的截取，最后给出一种改进的快速矢量量化算法对所截取的主成分进行高效的压缩编码，并对码字索引采用LOCO-I算法进行无损压缩，与码书一起构成压缩码流。与JPEG2000的对比测试结果表明，在同等压缩比条件下，本文算法重建图像的SNR值提高了约13.5dB，且更好地保存了原始图像的细节信息。　　 3.结合成像光谱图像的分类技术，提出了一种基于地物类别的成像光谱图像编码算法，并针对不同的应用，给出了两种实现方案。　　 该算法通过分类技术获取成像光谱图像的类别信息，之后由用户或采用特定的规则设定不同类别的重要性，在后续的压缩过程中将有限的资源在不同地物类别之间进行合理分配，以保证特定应用中人们关注度强的地物类别获得更好的重建质量。　　 针对一般性应用，将K均值聚类过程融入基于地物类别的PCA_FAVQ算法中，获得了与PCA_FAVQ相当的图像重建质量，同时重点类别的重建质量得到较大提升。针对农作物监测、植被资源调查等关注绿色植被的应用，以NDVI指数作为分类标准将待压缩图像分为绿色植被和非绿色植被区域，并为绿色植被区域分配更多的编码资源，使其重建质量获得较大提升。