多光谱图像能实现物体空间信息和光谱信息的同步获取,因此多光谱图像在环境监测、生物医学、军事侦察等领域得到广泛的应用。但光谱信息的增加也使得多光谱图像具有数据量大的特点,这给多光谱图像数据的存储和传输带来很大困难。高性能的多光谱图像压缩算法是解决这一问题的关键,研究多光谱图像压缩算法对多光谱图像技术的发展有着重要的意义。本文从分析多光谱图像的特性出发,研究了主流的三种多光谱图像压缩算法,并通过对基于变换的多光谱图像压缩算法的分析,证明了该算法中的频域变换与卷积神经网络的卷积变换,在一定程度上是等效的。利用卷积神经网络替代基于变换的多光谱图像压缩算法中的频域变换,本文提出一种基于卷积神经网络的端到端多光谱图像压缩方法。在编码端,将多光谱图像整体输入到前向编码网络中,经过卷积层提取主要空谱特征;使用下采样减小空谱特征图的尺寸;通过率失真优化模块,控制空谱特征数据的信息熵,使其分布趋于紧凑;然后将量化后的空谱特征数据,进行无损熵编码处理,得到多光谱图像压缩码流。在解码端,压缩码流经过熵解码、逆量化、上采样、反卷积的逆变换过程,恢复为多光谱图像。通过分析证明了卷积层提取的多通道空谱特征,其每个通道的特征对恢复多光谱图像的贡献各不相同。因此在特征维度上,对基于卷积神经网络的端到端多光谱图像压缩网络进行改进,加入特征通道加权模块,提出一种基于特征通道加权的残差网络多光谱图像压缩算法。在提取多光谱图像特征时,特征通道加权模块能显式地建模特征通道之间的关系,通过训练自适应地获取每个特征通道的重要系数,提升对多光谱图像恢复贡献较大特征的权重,减小对多光谱图像恢复贡献较小特征的权重。实验表明,本文提出的多光谱图像压缩算法,在峰值信噪比和光谱相似度指标上,均优于JPEG和JPEG2000算法,并且该算法对不同多光谱图像仍具有较好的压缩性能,具有较好的鲁棒性。