作为遥感技术的前沿发展方向,高光谱遥感光谱分辨率高,可精细化区分、辨识地物目标。但高光谱图像存在数据量庞大、波段信息冗余多、波段存在噪声污染等问题,影响后续数据处理的计算效率和精度。波段选择作为一种数据降维方式,可从原始波段数据中选取一组具有代表性的波段集,既能有效减少波段信息冗余,降低计算量,又能保留高光谱数据波段的原始光谱特征和物理意义。基于此,针对高光谱波段选择中波段评价和波段搜索两个问题,本文研究了两种高光谱波段选择算法。内容具体如下:（1）基于正交子空间投影的波段选择算法（OSP-BS）。为进一步提高波段子集数据的目标检测性能,依托正交子空间投影模型,本文基于目标信号和背景信号的空间夹角距离定义了新的波段子集评价准则,对波段子集进行度量。OSP-BS算法旨在最大化波段子集数据中目标和背景的差异,有效地增强波段子集的目标检测性能。在Hydice数据集和San Diego数据集上的实验结果表明,与常用的OIF算法和MEAC算法相比,OSP-BS算法所选波段子集在目标检测方面优势明显。（2）基于改进的自适应差分进化算法（ISADE）的波段选择算法。差分进化算法（DE）凭借鲁棒性强、全局搜索性能优异等优点,已广泛用于解决全局优化问题,然而在高光谱波段选择问题中却鲜有成功应用。为解决波段选择中最优波段子集搜索问题,本文引入DE算法。通过深入分析研究,针对DE算法的变异缩放因子F、交叉率Cr等参数和变异策略方面进行改进优化,实现了ISADE算法,有效提升了全局搜索性能。为使ISADE算法应用于波段选择过程中,本文研究了种群个体修复策略,解决了种群个体对于波段子集的表示问题,实现最优波段子集的搜索。基于Hydice数据集和Indian Pines数据集的仿真实验表明,与传统贪婪搜索算法:SFS算法、SCS算法、SQS算法,和智能优化算法:PSO算法、标准DE算法相比,ISADE算法具有更强的搜索性能。本文实现的两种波段选择算法侧重点不同。基于正交子空间投影的波段选择算法从子集评价准则出发,旨在提高波段子集的目标检测性能;基于改进的自适应差分进化算法的波段选择算法从子集搜索角度出发,旨在最优波段子集的搜索。通过与其它算法的对比分析,本文实现的OSP-BS算法和ISADE算法性能更优,相应结论可为高光谱数据处理工作提供一定的参考价值。