近年来随着高光谱遥感技术的不断进步,成像光谱仪的光谱通道数更多,高光谱数据的空间分辨率和光谱分辨率越来越高,数据量自然也随之增加。由于技术的发展导致的高光谱图像数据量上的巨大膨胀,尽管计算机数据处理能力的进步提升了高光谱图像数据传输和存储的效率,但是高光谱图像的海量数据带来的传输速度和存储容量压力,一定程度上制约着高光谱遥感技术迈向更进一步的发展。因此,高光谱图像数据压缩技术对高光谱遥感数据的应用和发展起到了至关重要的作用。论文首先对高光谱图像作简要的介绍,从高光谱数据的特点来分析高光谱图像压缩的必要性和可行性。更进一步地,通过从多个角度对高光谱图像数据进行详细的分析,得出相关结论,即相较于普通自然图像,高光谱图像有较强的谱间相关性,并且高光谱图像的谱间相关性要强于其空间相关性。其次,论文对高光谱图像数据去相关方法进行了研究,从传统的数据去相关方法出发,通过实验比较它们应用于高光谱图像三维变换的效果,在此基础上进而提出结合光谱曲线聚类和主成分分析能够更好的去除高光谱图像谱间相关性的方法,并通过实验得到验证。然后,论文针对高光谱图像光谱曲线聚类这一研究问题,为了得到更好的光谱曲线聚类效果,文中提出了新型光谱曲线谱聚类算法,其中对于光谱曲线相似度,给出了更好的度量方法。通过结合新型光谱曲线谱聚类和主成分分析方法,通过实验验证能够达到更好的数据去相关效果。最后,稀疏编码模型可以通过学习得到的光谱曲线字典元素来表示对应的物质材料,由于根据相应数据集合学习得到的字典重构数据集能够得到更好的结果,论文从稀疏编码出发,以学习稀疏编码字典的方式来达到更好的光谱去相关效果,通过构造一种可以表示光谱曲线特性的、能够在线学习的稀疏编码字典,用以对高光谱数据表示和重构,从而达到数据压缩的目的,并通过实验验证此种方法对于高光谱图像有损压缩有较好的效果。