不同于普通图像压缩，多光谱图像压缩除了需要去除空间冗余同时还需要去除光谱间冗余，近年来研究表明端到端的卷积神经网络模型在图像压缩方面具有很好的性能，但对于多光谱图像压缩其编解码器并不能有效解决同时高效提取到多光谱图像空间和光谱间特征的问题，同时也会忽略图像局部特征信息。针对以上问题，本文提出了一种融合多尺度特征卷积神经网络的多光谱图像压缩方法。所提出网络在压缩模型的编解码器中嵌入了可以提取出不同尺度下空间和光谱间特征信息的多尺度特征提取模块，以及可以用来捕捉局部空间信息和光谱信息的空间光谱间非对称卷积模块。实验表明，与传统算法如JPEG2000和3D-SPIHT以及深度学习方法相比，在Landsat-8的7波段和Sentinel-2的8波段数据集上所提出模型的峰值信噪比（PSNR）指标高于传统算法1-2dB。在平均光谱角度（MSA）指标的衡量下，所提出的模型在Landsat-8数据集上优于传统算法约8×10^-3 rad，在Sentinel-2数据集上优于传统算法约2×10^-3 rad。满足了多光谱图像压缩对空间和光谱间特征提取以及局部特征提取的要求。

集成成像技术作为一种重要的裸眼三维显示技术，在完整记录三维场景信息的同时，庞大的数据量给传输和存储带来了压力。为了实现图像的有效压缩和重构，根据光子计数集成成像的特点，基于分布式压缩感知理论，提出用于图像压缩与重构的方案。该方案将图像分为参考图像和非参考图像两类，对其设置不同的测量率并分别进行重构。为保证非参考图像的重构质量，提出一种联合重构算法。该算法首先对非参考图像进行分块测量，依据与参考图像之间的相关性进行图像块分类，然后结合参考图像测量值信息构建新的测量矢量，利用新的测量矢量完成初次图像重构。为了进一步提升图像重构质量，对初次重构结果进行二次残差补偿重构，获得最终重构结果。最后通过设置不同的测量率进行了大量实验，实验结果表明，所提算法在测量率为0.25时，图像重构质量可以达到30 dB，测量率为0.4时，图像质量可以达到35 dB，算法性能具有一定的优越性。

随着智能电网的快速发展，用于监视电网运行状况的测量设备大规模投入，其产生的海量运行图像等监视数据由于规模大、维度高、数据冗余等问题难以得到有效利用。为了进一步提高电力大数据的分析应用能力，文中提出一种基于深度学习的电网运行图像数据压缩方法，考虑电网图像监视数据在时序上的耦合关联，通过卷积神经网络对电网运行图像数据进行压缩，有效减少了电网运行图像数据的冗余度。与其他方法相比，基于卷积神经网络的图像数据压缩模型不依赖于人工的数据特征提取和工程经验，可以直接以电网中采集到的原始图像数据的灰度函数作为模型的输入，将数据的特征提取和分类合二为一，实现电网运行图像数据的高效、便捷压缩。通过仿真进行了文中所提方法有效性的验证，结果表明，与其他神经网络相比，所提方法在电网图像压缩效率及压缩精度中具有较强优势。

为解决快照马赛克高光谱图像数据量大、对传输带宽要求高的问题，采用最新的CCSDS 123.0-B-2多光谱/高光谱无损和近无损压缩国际标准，实现了基于FPGA的快照马赛克高光谱图像无损和近无损压缩。通过改进BIP（Band-Interleaved Pixels）排序算法，使每个时钟周期能够动态处理一个快照马赛克高光谱样本，数据吞吐率约提高至11倍，有效解决了该国际标准在快照马赛克高光谱图像压缩FPGA硬件实现时存在的流水线和并行化处理困难、处理速度慢的问题。实验结果表明，所实现的压缩器在Xilinx XC7Z020CLG-4平台上布局布线后FPGA整体逻辑资源占用率小于10%，100 MHz系统时钟下约22 ms即可完成一张高光谱图像的压缩，无损压缩性能在2.66~4.30 bits/samples之间，近无损压缩性能在1.01~3.70 bits/samples之间，能够满足快照马赛克高光谱成像技术在无线手持及无人机载领域的应用需求。