自20世纪80年代以来,高光谱遥感技术得到了迅猛发展,它将确定地物性质的光谱信息与反应空间信息的二维图像合为一体,形成了一种三维立体数据。随着高光谱技术向高空间分辨率与高光谱分辨率的方向不断发展,成像光谱仪所获取的数据量呈指数增加,鉴于高光谱数据高昂的获取、传输及保存代价,如何高效地对高光谱数据进行无损压缩显得尤为重要。本文首先介绍了高光谱遥感技术以及高光谱图像与极光光谱图像的压缩研究现状和意义,通过对高光谱图像特点的分析及经典预测算法-同类多波段谱间预测算法(C-DPCM算法)的研究,提出了自适应去除局部异常值的方法以提高C-DPCM算法的压缩效果,实验结果显示去除局部异常谱线的方法能够在C-DPCM算法的基础上明显提高无损压缩效果。接着又对新型的极光光谱数据进行研究,从开始的JPEG-LS无损压缩算法到结合帧间预测的三维JPEG-LS算法,最后结合极光光谱数据的特点提出了基于递推回归的南极中山站极光光谱图像无损压缩算法。论文的主要研究成果如下:(1)本文通过介绍基于预测方法的高光谱图像无损压缩基本知识,在第三章提出了一种自适应去除局部异常值的多波段谱间预测算法。该算法采用两次回归训练的方式,在C-DPCM算法的基础上添加了自适应去除局部异常谱线的功能。在第一次回归训练时,使用对每一类每个波段所有谱线线性回归训练得到的预测系数预测所有像素值,然后求得预测误差并从大到小排序。自适应地采用相邻误差的最大值差值为分界点,预测误差大于最大差值的对应的是局部异常谱线,反之是非局部异常谱线。然后用剔除局部异常谱线后的剩余谱线进行第二次回归训练。实验结果表明,该算法较C-DPCM算法压缩效果有明显提高。(2)本文第四章提出了基于JPEG-LS的极光光谱图像无损压缩算法。基于每一帧的极光光谱图像可以看做一幅二维图像,成功地将JPEG-LS的核心算法LOCO-I应用其中,且该经典算法较传统的RAR压缩和ZIP压缩的效果有明显提高。接着考虑到,连续的极光光谱图像作为一种时间序列必然存在帧与帧之间的时间相关性,因此提出三维的JPEG-LS帧间预测方法,通过对LOCO-I算法的修正,将帧间相关性应用到预测中。最终的实验结果显示,利用帧间相关性的三维JPEG-LS算法较二维JPEG-LS算法在压缩性能上有所提高。(3)本文最后结合极光光谱数据的特点提出了一种基于递推回归的南极中山站极光光谱图像无损压缩算法。该算法鉴于极光光谱图像波段多,一般线性回归算法中的预测阶数增加将会导致边信息占总信息比例急速增大,采用递推回归预测的方式进行在线预测,避免了边信息对编辑器的开销。递推回归的思想采用已经编(解)码的像素训练预测器,实现对未知像素的预测,通过不断地迭代更新参与训练的样本实现整个图像的预测,最终只需要将预测残差采用算术编码传输,实验结果显示基于递推回归的方法较多元线性回归算法压缩效果有所改善。本文工作得到了国家自然科学基金(No.61377011)和海洋公益类科研项目、中华人民共和国海洋局(No.201005017)的资助。