高光谱图像能够实现地物空间信息和光谱信息的同步获取,正是由于这个独特的优势,高光谱图像在越来越广泛的领域内得到了应用。但光谱信息的增加使得高光谱图像具有数据量大的缺点,而这给数据的存储和传输带来了不利。添加了光谱维的高光谱数据作为一种三维图像不同于普通的二维图像,也不同于视频图像。高光谱图像的压缩成为图像压缩领域的一个较新的问题。因此如何分析高光谱图像本身的特点,研究适合高光谱图像压缩的新方法,是一个值得研究的领域。首先,为了后续压缩方法研究的顺利进行,论文详细分析了高光谱图像的特点,并得出了相关的结论。相对于普通的数字图像,高光谱图像存在着较强的谱间相关性,而且高光谱图像的谱间相关性要强于空间相关性。通过对高光谱图像数据维的分析,得出了高维光谱空间大部分都是空的结论,奠定了高光谱图像压缩的理论基础。高光谱图像往往有上百个谱带,而这些谱带往往有着不同的重要性,这在高光谱图像的谱带信息熵上有所体现。经过分析可以看出,高光谱图像的特殊性就在于其光谱维,后续压缩方法的研究将主要集中在这一特性。而围绕着光谱特性所展开高光谱图像压缩的研究也更能体现高光谱图像本身的特点,从而获得较好的压缩效果。其次,论文研究了基于光谱特性的矢量量化快速算法来压缩高光谱图像。矢量量化是一种有效的有损压缩技术,尤其是在大压缩比的情况下具有很大的优势,它是高光谱图像压缩的主流方法之一。但是矢量量化本身具有较高的编码复杂度,尤其是针对数据量巨大的高光谱图像,使其实用性大打折扣。因此,把矢量量化应用到高光谱图像压缩里很迫切的问题就是找到快速算法。从分析高光谱图像特性的基础出发,针对高光谱图像矢量量化复杂度高的问题,提出了基于光谱特征选择和基于光谱特征变换的两种快速算法。快速算法在重建信噪比略微降低的情况下,把矢量量化的运算时间降低了一到两个数量级,较好地解决了运算复杂度高的问题。再次,提出了基于线性模型的最优预测方法来压缩高光谱图像。矢量量化在非大压缩比的情况下并不具备较大的优势,而预测技术在这里有本身的优点。预测技术在高光谱图像压缩领域有一席之地,但其存在着预测效率不高的缺点。针对这一问题,建立了高光谱图像光谱间的线性模型,实现了在信噪比情况下的最优预测,从而改进了预测的精度,提高了压缩后图像的重建效果。两幅测试图像在同样压缩比的情况下,应用最优预测,其重建信噪比分别提高了1.5dB和5.5dB。最后,针对高光谱图像压缩中感兴趣信息的保存问题提出了两种算法。高光谱图像的感兴趣信息包括感兴趣区域和感兴趣谱带两部分。针对高光谱图像的某些特殊的应用,小目标的保存问题就显得很重要。对于高光谱图像中的小目标空间信息的保存,提出了基于SPIHT的感兴趣区域的高光谱图像压缩算法。高光谱图像的谱带信息的保存是高光谱图像所特有的问题,感兴趣谱带和具体的应用有关系。在以分类为背景的前提下,提出了一种更好的保存感兴趣谱带的压缩算法。该算法在信噪比略微降低的情况下有着更好的分类精度。本论文从分析高光谱图像的特性出发,围绕着高光谱图像所特有的光谱特性,针对不同的应用,改进或提出了相应的压缩算法,并对所提出的方法进行了性能分析和实验评价。