高光谱遥感图像包含丰富的光谱信息,能够有效地反映出各地物间潜在的差异,因此它已成为人们从宏观角度感知地表信息的重要媒介,并被广泛地应用到军事,国防以及环境监测等领域中。虽然高光谱遥感图像能够提供丰富的光谱信息,为高光谱图像处理带来便利,但同时也存在着诸多的挑战.(1)数据量大、冗余度高的特点导致其需要耗费大量的数据存储空间和计算资源;2)“同物异谱、异物同谱”的现象依然存在,且标记样本收集困难,这些都阻碍着人们有效利用高光谱数据进行地物分析。波段选择通过从原始数据中找出最具代表性的波段子集,能够有效缩减数据量,同时使数据所表示的物理意义不遭到破坏,是高光谱遥感图像研究中一个重要的预处理步骤,而分类则是其众多应用的基础。因此本文从波段选择和分类两个方面对高光谱数据处理展开研究,其主要工作如下:1)设计了一种新颖的基于近邻分组的波段选择方法。在该方法中,首先逐个对高光谱数据各波段进行一级非抽取小波分解,然后利用局部迭代聚类算法对分解后后的低频分量数据进行分组,最后设计了一种既考虑了组内相关性和组间差异性,又考虑了各波段噪声影响的波段选择准则,有效地筛选出了各组中具有代表性且含噪量低的波段。2)提出了一种基于紧凑字典稀疏表示的高光谱图像分类方法,该方法根据测试样本周边已知类别标签以及测试样本自身与各子字典间的光谱相似性,为每个测试样本构造了一个对应的紧凑字典;同时在分类的过程中,本方法还采用了一种空间位置扩张策略,有效地利用了已分类测试样本的标签信息。3)在高光谱遥感图像处理领域中常用的三个数据集上,所提出的波段选择及分类方法分别与对应领域中几种代表性的方法进行了对比。实验表明,所提出的波段选择方法能够有效地筛除噪声波段,并选择出整体数据中具有代表性且利于分类识别的波段子集;而所提出的分类方法不仅能够取得较优的分类精度,且分类速度相比同类方法也得到显著提升。