无损图像压缩有在许多领域有重要的应用，如图像需要做进一步的处理（特征提取，图像增强等），重复压缩/解压缩，图像的获取代价昂贵，图像的要求质量未知等。近年来，特别在医学领域和遥感领域，图像数据量海量增长，对高效的无损压缩方法有着迫切的需要。本论文以遥感图像和医学图像为主要研究对象，提出了一种基于神经网络模型的自适应预测的无损压缩算法和基于整型小波变换的图像无损压缩。 利用神经网络具有自适应自学习的特点，基于感知器模型的无损压缩算法，能够自适应调整对图像的预测系数，有效去除图像的空间和谱间相关性，大大提高压缩效率。感知器模型的学习和工作过程是同时进行的，用已编码像素的学习结果做为待编码像素的工作参数--预测系数，符合了图像邻近像素的相关性也相似的特点，提高了预测精度，并节约了编码时间；预测残差采用Rice方法，提高了编码效率。另一方面，可以根据实际情况，灵活的选取预测像素集，从而有效的去除空间及谱间冗余。实验结果表明，该算法压缩效率明显优于JPEG无损压缩模式。对TM图像的压缩效率优于LOCO-I方法，对于其它图像，压缩比略低于LOCO-I，压缩速度提高一倍以上。 小波变换是一种有效的多分辨率分解模型。利用“提升”算法，实现整型到整型的变换，充分去除图像的相关性，并结合算术编码，能够实现图像的无损压缩，大大降低运算复杂度。实验结果表明，该算法压缩效率明显优于JPEG无损压缩模式。压缩比低于LOCO-I方法，压缩速度较高。同时该方法易于实现逐级式传输技术。