فشرده سازی هنر و علم ذخیره سازی داده ها در حجمی کمتر می باشد و در دنیای پردازش تصاویر دیجیتالی، فشرده سازی تصاویر یکی از پرکاربردترین و موفق ترین تکنولوژی ها می باشد. فشرده سازی تصاویر می تواند lossy یا lossless باشد. در اکثر تصاویر سنجش از دوری که تصاویر حجم وسیعی از اطلاعات را دارا می باشد، از دست رفتن اطلاعات قابل قبول نیست. بنابراین استفاده از الگوریتم های lossless یا visually lossless در فشرده سازی تصاویر سنجش از دور، ترجیح داده می شود. در این پایان نامه، دو روش فشرده سازی برای تصاویر ماهواره ای معرفی گردید. در رابطه با روش اول، یک روش جدید برای فشرده سازی تصاویر سنجش از دوری با تکیه بر حفظ داده معرفی شد. روش فشرده سازی پیشنهادی بر اساس یک روش انتقال جدید و کد گذاری هافمن بهینه شده توسعه داده شد. در این پایان نامه، روش انتقال جدید بر مبنای استفاده از پیش بینی کننده ها استوار می باشد. روش پیشنهادی برای انتقال تصاویر سنجش از دوری به دلیل توانایی آن در کاهش افزونگی داده و پایین بودن پیچیدگی محاسباتی مناسب می باشد. روش انتقال جدید قابلیت پیش بینی روش dpcmرا تقویت می کند و سبب رسیدن به میزان فشردگی انرژی بالاتر و مقدار آنتروپی پایین تر می شود. بعد از اثبات توانایی روش جدید با ترکیب روش پیشنهادی انتقال با روش کدگذاری هافمن بهینه شده به یک روش قدرتمند فشرده سازی lossless رسیدیم. روش فشرده سازی معرفی شده دارای پیچیدگی پایین و مناسب برای پیاده سازی سخت افزاری می باشد. در ادامه روش پیشنهادی فشرده سازی بر روی انواع داده ها (تصاویر رستری لیدار، تصاوی سنجش از دوری و تصاویر مرجع پردازش تصاویر) اعمال شد و نتایج حاصل با روش های دیگر مقایسه شد. نرخ فشرده سازی، جایگاه و سادگی به عنوان سه معیار برای ارزیابی روش های مختلف انتخاب شد. روش پیشنهادی از نقطه نظر نرخ فشرده سازی کارا و از لحاظ پیچیدگی محاسباتی بسیار ساده بود. در نتیجه روش پیشنهادی قابلیت فشرده سازی تصاویر سنجش از دور را دارا می باشد. به عبارت دیگر، به دلیل سادگی و کارایی الگوریتم پیشنهادی، این روش برای کاربردهای بلادرنگ که نیاز به پیاده سازی سخت افزاری می باشد مناسب است. در ادامه، به دلیل وابستگی بالای باندهای همسایه و گرایش به رسیدن به یک نرخ فشرده سازی بالاتر، روش های سازگار برای فشرده سازی تصاویر ابرطیفی معرفی گردید. این روش ها بر اساس ماهیت آنها از روش های متفاوت فشرده سازی lossless، visually lossless و فشرده ساختن باند های خراب در 10 بایت استفاده میکرد. باندهای خراب پس از آنالیزهای هیستوگرام از باندهای غیر خراب جدا می شد. سپس برای تفکیک باندهای غیر خراب و فشرده سازی آنها به دو صورت lossless و visually lossless از الگوریتم بهینه سازی پیشنهادی bhgapso استفاده شد. روش visually lossless پیشنهادی به گونه ای عمل میکند که تصاویر فشرده شده پس از مرحله دوبارهسازی از لحاظ بصری lossless بوده و عینا شبیه تصویر اولیه باشد. روش های سازگار پیشنهادی در این پایان نامه یا کاملا lossless بوده و یا برای فشرده سازی برخی از باند ها به صورت visually lossless عمل می کند. سپس در روش دوم از دو شاخص نرخ فشرده سازی و نسبت سیگنال به نویز برای ارزیابی باندهایی که به صورت visually lossless فشرده شده بود استفاده شد. مقدار بالای نسبت سیگنال به نویز گویای قدرت روش فشرده سازی پیشنهادی و شباهت بالای تصویر ورودی و تصویر دوباره سازی شده بود. از مزایای استفاده از روش دوم، رسیدن به نرخ فشرده سازی بسیار بالا می باشد. لازم به ذکر است که روش بهینه سازی پیشنهادی (bhgapso) از ga در پیدا کردن نتایج بهتر در تکرارهای کمتر بهتر عمل کرده است.