多光谱图像综合了地物空间信息和光谱信息,可较传统色度图像更加全面、准确地反映场景的各种光学属性,因此被越来越广泛地应用于航天航空遥感、高性能色彩再现、环境监测、艺术品存档、生物医学和军事侦查等领域。但多光谱图像作为一种三维图像,其海量数据也增大了图像存储、传输的难度,必须对其使用有效的数据压缩方法。本文结合多光谱图像自身特点和不同的应用背景,针对现有多光谱图像压缩算法存在的空谱冗余去除不充分、自适应性不强、时空复杂度高以及不能保证重建图像的色度精度等问题,提出了多光谱图像稀疏等价表示模型、色度误差评价准则,探讨了基于聚类分析、小波变换、复合架构及字典学习的有效压缩途径,重点研究设计了多种通用或面向色彩再现的有效压缩算法。首先讨论了小波变换理论及其有效系数编码算法,分析了多光谱图像的空间和谱间统计特性,在此基础上提出了多光谱图像的稀疏等价表示模型,为后续有效压缩方法的设计提供了理论依据。然后,以通用、低复杂度、高品质的多光谱压缩为目标,从多光谱图像光谱维切入,设计了基于谱间自适应聚类和小波变换的多光谱图像压缩算法APWS,及其改进算法APWS_RA。APWS算法以波段子图矢量间欧氏距离为测度设计自适应吸引力传播聚类,用于产生多光谱图像的谱间稀疏等价表示,以降低去除图像谱间冗余的复杂度,并通过误差补偿机制提高多光谱图像重建质量。APWS_RA算法在APWS算法的基础上,采用了更为合理的基于稀疏表示成分标准差的码率预分配策略。分析表明,APWS和APWS_RA算法在低复杂度下均有效提高了图像的压缩性能,且APWS_RA算法更具优势。针对多光谱图像在色度高保真再现等领域的应用需求,提出了色感应误差准则,并设计了基于其指导编码的WF系列压缩方法。该方法可利用传统多光谱图像嵌入编码等以图像均方误差指导编码的压缩算法,形成低复杂度、光照稳定性好、且支持跨设备再现的多光谱图像压缩算法。并按此方法,具体设计了WF_APWS_RA算法。实验表明,WF类编码算法可有效提高重建光谱图像在不同光照条件下的色彩还原精度。为更有效地自动去除多光谱图像的空谱冗余,从多光谱图像的空间结构相似性入手,提出了基于光谱均方误差的OptimalLeaders和基于色度误差的Optimal Leaders-Color聚类算法,用以产生多光谱图像空间稀疏等价表示,从而自适应去除多光谱图像空间冗余。在此基础上,设计了基于光谱聚类的通用多光谱图像复合压缩方法OLP-X、基于色度聚类的多光谱图像复合压缩方案OLCP-X、以及进一步结合WF编码思想且兼顾色度和光谱精度的OLCPW-X压缩方法(其中,X为传统模式的多光谱图像压缩算法)。三类压缩方法均有效采用了空间稀疏等价表示编码思想和误差补偿机制,对代表光谱和预测残差图像分别进行光谱降维和X压缩,以更好地去除空谱冗余。实验表明,OLP-X、OLCP-X支撑算法可有效提升原有X编码算法的重建光谱精度;OLCPW-X方法有效地兼顾了重建多光谱图像的色度和光谱精度,其支撑算法较OLCP-X,在峰值信噪比相当的情况下,提高了重建图像的色度精度。最后,根据多光谱图像的光谱维数据特性,提出了一种基于光谱字典学习和稀疏表示的多光谱图像压缩方法。该方法采用K-SVD算法训练具有代表性的相似光谱集以获取冗余字典,通过该冗余字典获取各光谱矢量的稀疏表示系数以去除待压缩多光谱图像的谱间相关性,并量化存储等价的稀疏表示非零系数。实验表明,新方法较经典的光谱维主成分分析法,具有更好的光谱维压缩性能;光谱学习字典方法亦可结合压缩感知理论或空间去相关技术进一步扩展其应用。