高光谱图像是三维数据立方体,拥有丰富的空间信息与光谱信息。高光谱成像仪器通过测量物体在特定光谱波段内发射及反射的电磁波能量,能够识别出物体的材料与物理状态,因而被广泛地应用于矿物勘探、环境监测、军事伪装目标识别等领域中。高光谱遥感技术已经发展了近30年,伴随着成像的光谱分辨率、空间分辨率不断提高,高光谱图像数据的体积也与日俱增。由于星上链路的下传带宽有限,数据必须经过压缩后再传输。因此,为了节省数据存储和传输成本,研究高光谱图像的无损压缩方法的意义重大。本文首先对高光谱图像的相关性特性展开分析,总结了图像的谱间及谱内相关系数的计算公式,详细分析了哈夫曼编码与无界精度整数算术编码技术的机理及代码实现方法,为后续的仿真实验提供了技术支撑。本文从消除高光谱图像的谱间与谱内空间冗余信息入手,提出了基于KLT变换与FLIF算法的高光谱图像无损压缩算法。KLT变换用于去除图像的谱间冗余信息,FLIF算法的MANIAC决策树能够在压缩过程中动态更新上下文环境内容、实时调整上下文环境的数量,多上下文环境建模的设计大幅提升了压缩性能。仿真实验表明,在公开的AVIRIS数据集上,本方案取得了接近本领域内目前最高水平C-DPCMRNN算法的压缩比特率结果。此外,针对KLT变换后图像的特点,本文提出了多压缩器灵活切换的加速方法,让压缩耗时缩短为未优化前的五分之一。对特定的在轨卫星而言,卫星搭载的是固定的高光谱仪器,能观测到的主要地物种类也较为固定,故本文提出了一种可学习的多级高光谱图像无损压缩网络,旨在从拍摄的数据中训练学习出图像的谱间及谱内规律。本网络通过提取大、中、小三种尺度的特征图,逐级消除图像冗余信息,建立了高光谱图像的联合概率分布模型,再结合无精度整数算术编码技术实现了图像的无损压缩。对于典型场景下的星上压缩任务,网络经过充分训练后,取得了更加稳定的压缩比特率结果。