高光谱图像丰富的空间和光谱信息占据了大量的存储空间,并且随着图像分辨率的提高以及在各个领域的广泛应用,海量的高光谱图像对通信设备的数据存储和传输提出了挑战。因此,研究面向高光谱图像的压缩方法,是解决其存储与传输所带来的高资源消耗问题的关键。由于高光谱图像不但具有丰富的纹理等空间信息,同时针对不同地物其光谱特性差异也较大,这两者之间既有区别也有联系,因此如何在开展高光谱图像压缩时,同时顾及到其光谱信息和空间信息的特点是高光谱图像压缩首先需要解决的一个问题;同时,由于高光谱图像之间存在较大的光谱波段数量差异,因此在同时顾及其光谱信息和空间信息的基础上,研究一种能处理不同波段数目的自适应高光谱图像压缩方法属于另一个需要解决的问题。为此,本文提出基于三维卷积自编码器的高光谱图像压缩算法,具体研究内容包括以下两个方面:1)针对大多数高光谱图像压缩模型只对压缩或重建进行优化的问题,以及高光谱图像丰富的光谱信息和空间信息的特点,本文在总结和分析目前高光谱图像压缩方法的基础上,首先提出了一种基于3D卷积自编码器（Three Dimension Convolutional Auto-encoder,3D-CAE）的高光谱图像压缩模型。该模型利用卷积自编码器（Convolutional Auto-encoder,CAE）对高光谱图像压缩和重建进行端到端优化,从而获得编码器与解码器的全局最优解;此外,针对高光谱图像的空谱特征,为了充分融合高光谱图像的空间和光谱信息,提出利用3D卷积同时在空间维和光谱维移动,以提取精细的空谱联合特征。2)考虑到不同光谱成像仪所获得的高光谱图像波段数的差异性,传统面向固定波段数的高光谱图像压缩算法难以自适应的实现不同波段图像的压缩而导致资源浪费的问题,本文提出一种波段自适应3D卷积自编码器（Band Adaptive Three Dimension Convolutional Auto-encoder,BA3D-CAE）的高光谱图像压缩方法。该模型利用3D卷积核尺寸不受输入特征光谱维尺寸约束的特性,在所提出的3D-CAE模型的基础上,调整网络参数保证特征提取过程中的通道不变性,从而实现面向高光谱图像的波段自适应压缩。最后,为验证所设计算法模型的压缩性能,在公开数据集上对3D-CAE与现有算法进行实验对比,结果表明,3D-CAE能够将高光谱重建图像的光谱角映射（Spectral Angle Mapper,SAM）、峰值信噪比（Peak Signal-to-Noise Ratio,PSNR）和结构相似度（Structural Similarity Index Measurement,SSIM）分别改进20.8%～33.1%、0.9%～11.5%和0.5%～2.2%;同时,为验证BA3D-CAE压缩方法的波段自适应性能,在该数据集上使用不同波段的图像进行了实验验证,结果表明BA3D-CAE网络可以实现较好的SAM、PSNR与SSIM性能下波段自适应压缩,并且时间开销较小,证明所提出的方法能极大的节约计算资源,可有效促进高光谱图像的广泛应用。