امروزه تصاویر ابرطیفی در کاربردهای عملی گوناگون مانند تشخیص سطح زمین، تحلیل نوع خاک، کشاورزی (به عنوان مثال تشخیص گونه های گیاهی)، مطالعات محیطی و غیره مورد استفاده قرار می گیرند. در اکثر کاربردها جهت استخراج صحیح اطلاعات، کیفیت تصاویر به عبارت دیگر میزان سیگنال به نویز تصاویر می بایست از میزان مناسب برخوردار باشد. علیرغم پیشرفتهای قابل ملاحظه در سنسورهای مورد استفاده جهت عکسبرداری تصاویر ابرطیفی، این سنسورها به سبب وجود پاسخ غیرخطی در باندهای طیفی مختلف تصاویر، نسبت به نویز حساس هستند. این امر سبب گردیده، اطلاعات استخراج شده از تصاویر آغشته به نویز باشد. حضور نویز به علت محونمودن لبه های اهداف موردنظر سبب کاهش چشمگیر دقت کلاس بندی در این تصاویر می گردد. نکته مهم دیگر این است که تصاویر ابرطیفی دارای ابعاد گسترده هستند، بنابراین ذخیره سازی و ارسال این نوع داده ها نیازمند حجم بالا و صرف زمان زیاد است. در این پایان نامه روشهای نوین جهت فشرده سازی و کاهش نویز در تصاویر ابرطیفی با استفاده از آنالیز تنسوری مورد مطالعه قرار-می گیرد. در سالهای اخیر روشهای گوناگونی در آنالیز تنسوری مانند، tucker، parafac وindscal معرفی گردیده که یکی از تجزیه های مفید و کارا تجزیه tucker می باشد. در واقع این روش توسعه مرتبه بالاتر تجزیه مقادیر تکین است. این تجزیه این امکان را فراهم می کند که برای هر یک از ابعاد داده های چند بعدی مقدار مطلوب را انتخاب نمود. این امکان سبب گردیده که تجزیه tucker در مقایسه با دیگر تجزیه های تنسوری در کاربردهای فشرده سازی نتایج بهتری را ایجاد نماید. جهت بهبود کارایی تجزیه tucker در امر فشرده سازی می توان این روش را با تکنیکهای دیگر موجود در فشرده سازی مانندdct ، موجک و jpeg2000 ادغام نمود. تصاویر ابرطیفی به عنوان داده سه بعدی (تنسور سه بعدی)، دو بعد در فضای مکانی و یک بعد در راستای باندها (فرکانس) در این پایان نامه در نظرگرفته می شوند. این تصاویر حاوی دو نوع همبستگی در راستای باندها و همچنین پیکسلهای مجاور در یک باند هستند. این ویژگی سبب توسعه الگوریتم های فشرده سازی کارآ در این تصاویر گردیده است. در این پایان نامه چهار روش جدید جهت فشرده سازی تصاویر ابرطیفی معرفی می شود. نخستین روش فشرده سازی برمبنای استفاده از الگوریتم ژنتیک و تجزیه tucker پایه گذاری می گردد. این روش gatd نامگذاری شده و از اطلاعات همبستگی مکانی و طیفی به طور همزمان جهت فشرده سازی استفاده می نماید. تجزیه tucker دارای پارامترهای قابل تغییر مرتبط با ابعاد هسته تنسور است و میزان فشرده سازی نسبت به این مقادیر بسیار حساس می باشد بنابراین در این روش یک تابع هزینه وابسته به این پارامترها ارایه نموده و برای حل این تابع از الگوریتم ژنتیک استفاده شده است. در این روش تابع هدف، دستیابی به حداکثر فشرده سازی در یک مقدار مشخص psnr است. در روش دوم از ادغام تجزیه tucker با روش dct استفاده می گردد. در این روش تجزیه tucker به ضرایب 3d-dct اعمال می شود. اکثر ضرایب3d-dct در تصاویر ابرطیفی دارای مقادیر نزدیک به صفر هستند. این مساله سبب می گردد میزان فشرده سازی در الگوریتم معرفی شده افزایش یابد. در الگوریتم سوم فشرده سازی، ادغام تبدیل موجک گسسته وتجزیه tucker مورد توجه قرار گرفته است. در این روش تجزیه tucker به ضرایب موجک باندهای طیفی تصاویر اعمال می شود. تبدیل موجک گسسته، سبب تقسیم مناسب تصاویر ابرطیفی اولیه به یکسری زیرتصاویر با ابعاد کوچکتر می گردد. سپس تجزیه tucker انرژی موجود درزیر تصاویر رابه طور قابل ملاحظه کاهش می دهد و این مساله سبب بهبود کارایی الگوریتم در فشرده سازی تصاویر ابرطیفی می گردد. در روش چهارم فشرده سازی تصاویر ابرطیفی، هدف حداقل کردن میزان mse با در نظرگرفتن همبستگی مکانی و طیفی به طور همزمان است. جهت دستیابی به این هدف ابتدا تکنیک jpeg2000 در راستای مکانی برروی تصاویر ابرطیفی اعمال می گردد. در ادامه تجزیه tucker به منظور دستیابی به میزان فشرده سازی بالاتر استفاده می گردد. در این روش یک مساله بهینه سازی با هدف دستیابی به حداقل میزان mse با قید میزان فشرده سازی مشخص، معرفی گردیده است.جهت حل این مساله از تکنیک بهینه سازیpso کمک گرفته می شود. نتایج بدست آمده پس از اعمال الگوریتم های فشرده سازی معرفی شده در بالا بر روی داده های واقعی ابرطیفی در مقایسه باروشهای فشرده سازی معروف در این زمینه مانند 3d-speck و pca+jpeg2000 بیانگر کارایی شایسته تر الگوریتم های فوق است. نکته شایان ذکر این است که عملکرد الگوریتم های معرفی شده در نرخ فشرده سازی بالا در مقایسه با دیگر روشها، از بهبود کفیت (snr بالاتری) قابل توجه ای برخوردار است. درپایان علاوه بر روشهای فشرده سازی ذکر شده در بالا، یک روش نوین و کارا نیز جهت نویززدایی در تصاویر ابرطیفی معرفی می-گردد. این روش که با عنوان gktd نامگذاری می شود. از ویژگیهای کارا تبدیل کرنل استفاده می کند. در این روش ابتدا داده اولیه با اعمال کرنل مناسب ازفضای اولیه به فضای مشخصه با ابعاد بالاتر انتقال می یابد. سپس تجزیه tucker بر روی فضای مشخصه اعمال می شود. در ادامه الگوریتم ژنتیک جهت تعیین ابعاد هسته تنسور tuckerدر فضای کرنل استفاده می شود. کارایی این الگوریتم با روش بدون کرنل gtd و یک روش معروف نویززدایی تصاویر ابرطیفی (ادغام تبدیل موجک وpca) مقایسه گردیده است. نتایج شبیه سازی در حضور نویزهای گاوسین و ضربه نشان دهنده عملکرد بهتر روش پیشنهادی است.