高光谱图像具有图谱合一的特点,是近期国内外发展起来的新的遥感技术。与多光谱图像相比,高光谱图像光谱波段数目多、光谱分辨率高、波段宽度窄,能够以较高的可信度区分和辨识地物目标。但是,高光谱图像的这些优点是以其较高的数据维数和较大的数据量为代价的,且高光谱图像波段间相关性较高,造成了信息的冗余。目标识别和分类等图像处理并不一定需要全部的波段来进行,因此对高光谱图像进行数据降维是十分必要的。论文针对高光谱图像的这一特点,从特征提取和特征选择两个方面来研究数据降维的方法。论文首先介绍了高光谱图像的基本概念和物理原理,同时介绍了特征提取和特征选择技术的基本概念及研究现状,以及分类和目标检测等相关技术,然后分析了高光谱图像的特性,包括它的数据表示方式,信息获取以及三个显著特点。高光谱分辨率遥感数据以其丰富的光谱信息使得其分析处理集中于光谱维上进行图像信息的展开和定量分析。在前面的基础上,论文分别从基于小波变换以及基于光谱吸收特征两个方面来研究特征提取方法。小波分析理论近年来在图像处理各个领域得到了广泛的应用。在时域分析方法中,小波变换是近年来迅速发展起来的一种新的工具,在时域和频域上同时具有良好的局部化特性,是一种比较理想的光谱特征提取方法。论文重点研究了一维小波分解,用得到的局部特征来进行目标识别。吸收峰波段参数例如波长位置、深度、宽度、斜率、对称度、面积等常常被用来定量的估计高光谱样本的组成,因此光谱的吸收峰是高光谱识别分类应用中很重要的特征波段,论文通过包络线去除这种很有效的光谱分析工具提取出了实际的高光谱图像的地物光谱的吸收峰参数。然后将两部分分别进行仿真试验,并将得到的实验结果应用于目标识别。此外,在最后一章,论文从特征选择的角度来研究高光谱图像降维,特征选择包括搜索算法和准则函数,其中准则函数又分为基于信息量度量和基于类间可分性度量,由于高光谱图像的数据量大,基于信息量度量的方法计算量大、耗时,因此论文从基于类间可分性的波段选择出发,提出了一种新的搜索方法——最速上升搜索算法,通过分别计算不同波段组合的统计距离(离散度,BH距离,JM距离),将得到的波段组合利用实际的高光谱图像应