高光谱图像的海量数据,使得后续处理的系统成本和实施难度剧烈增加。因此在无失真重建的前提下,用尽可能少的测量值近似原有的高维数据,成为研究目标。本文围绕这一目标,利用高光谱图像的谱间相关性,将结构相似度作为距离评价指标引入高光谱图像的聚类分组策略,建立了一种基于K-means聚类的高光谱图像压缩感知重建方法。该方法将K-means聚类算法用于频带图像的分组,将频带区分为参考频带和普通频带,并在小波变换域使用压缩感知的平滑L0算法对参考频带重建,采用改进的预测模型对普通频带进行重建。仿真实验表明,重建精度较改进前的方法有明显改善。此外针对小波变换在表示图像边缘细节上的劣势,在不改变前述分组策略和预测模型的基础上,采用曲波变换作为新的变换域,考虑到曲波基的冗余性,故将其与快速迭代收缩阈值算法相结合实现了另一种K-means聚类的高光谱图像压缩感知重建方法。仿真实验表明,该方法的重建效果较前述提到的方法有所提高。本文提出的新分组策略的重建方法,在保证重建精度的前提下,可进一步解决高光谱遥感技术常常遭遇的数据冗余问题,为后续遥感任务奠定基本条件。