光谱可以反映物质的本质属性,相对于普通图像在目标检测和识别中都有着很高的研究价值,近些年来一直是研究的重点,传统的光谱成像设备体积庞大只能通过扫描等方法成像,速度慢,只能获取静态的信息。光谱视频的实时获取,如何制作小型化,可移动的光谱设备已经成了制约光谱广泛应用的瓶颈,同时由于每张光谱图像包含多达几十甚至上百个通道,相对于普通的彩色视频数据量是其几十倍,给存储、传输和处理带来了很多的问题。如果要求光谱相机具有移动采集功能,需要对光谱数据进行无线传输,目前的无线传输的带宽无法满足实时传输的要求,必须要对光谱数据进行压缩,但是目前为止实时的视频压缩方法还是针对于三通道的彩色视频,而对于光谱图像,不仅没有针对性的压缩方法,也没有一个完整的压缩标准。本文主要贡献是研制出了移动化的光谱视频采集系统,探讨了普通视频压缩方法在光谱压缩上的应用,根据光谱图像通道间相关性和空间相关性和普通视频区别较大的特点,提出了一种基于深度学习的光谱压缩方案,并和普通视频压缩方法进行了对比,由于光谱应用和普通视频应用差距较大,普通视频压缩评判标准并不能全面代表光谱的压缩效果,因此针对光谱数据提出了自己的一套评判压缩质量的标准,并利用压缩后的光谱数据开展应用。论文组织结构如下:首先,介绍了问题的由来,光谱图像的特点,目前光谱成像方法和设备以及目前国内外针对光谱数据压缩的方法。针对目前光谱设备普遍体积大,无法移动拍摄的问题,研制了一款小型化的可移动无线传输的光谱视频采集系统,之后根据光谱视频传输存储的困难,研究了光谱压缩的方法,先是将传统视频的压缩方法应用到光谱视频上,讨论了传统视频压缩算法在光谱压缩上的表现,指出了传统压缩算法的不足,之后利用深度学习的方法利用Keras设计了一个多层对称神经网络,首先利用深度学习进行无损压缩,输入为多通道的光谱图像,中间经过下采样,3D卷积提取光谱图像的特征并降维,之后将降维后的数据进行熵编码输出为二进制码流完成光谱压缩的编码过程,之后的解码过程为编码的逆过程,通过上面的网络进行训练,得到一个完整的深度学习编解码器并和传统光谱视频的压缩算法进行对比。最后,我们首先探讨了目前光谱主要的一些应用,并根据光谱图像的特点以及传统的PSNR和SSIM并不能全面的反映出光谱图像的压缩效果的问题,本文提出了“特征峰平均错误(MECP)”这一评判标准作为评判光谱质量附加参数,之后利用压缩后的光谱数据完成了真假脸跟踪识别的应用并和传统的普通视频跟踪算法进行对比。