高光谱数据可以同时获得数百个谱带,因此大大提升了影像的空间分辨率。在高光谱影像(Hyperspectral Image,HSI)中,丰富的光谱信息可用于地物的分类与识别,迄今为止,高光谱分类技术已经成功地应用在地理、军事、生态、农业等诸多的科学领域。然而高光谱数据量庞大、相关性强、噪点多、维度高等特点常常在分类过程中导致了信息冗余,为准确的地物识别和分类带来了困难。因此,在更有效地运用高光谱数据的海量信息的基础之上,同时约减特征空间的维数、剔除冗杂信息,提高分类过程的精度和速度已成为高光谱影像分类的重要研究方向之一。降维技术作为预处理的一部分,是解决高光谱影像特征维数高和波段数量多的重要方法。本文通过采用不同的降维方法解决以上问题,开展了如下两方面的研究工作:本文提出了一种提取并融合光谱信息、空间信息和纹理信息的高光谱影像分类方法。首先利用主成分分析降低高光谱影像的维度,而后利用灰度共生矩阵从各主成分提取纹理信息,并根据数学形态学特征和光谱信息定义了一种融合谱-空-纹的相似度距离,最后通过伪近邻(Pseudo Nearest Neighbor,PNN)分类器对影像地物进行分类。本文提出了一种混合优化策略的特征选择方法。本方法将遗传算法和改进的二进制粒子群优化算法融合成一种新的混合优化策略(GANBPSO),自动选择最优波段组合,同时优化分类器支持向量机(RBF-SVM)的参数,以提高分类器的分类性能。本文方法(GANBPSO-SVM)能够自动选择包含最多信息的特征子集以保证分类精度,而不需要预先设置所需要的特征子集数量。为了说明所提出方法的有效性,本文采用了在高光谱分类中被广泛使用的Indian Pines(AVIRIS 92AV3C)高光谱数据集和PaviaU(ROSIS-3)高光谱影像数据集,分别对这两种具有不同空间分辨率和光谱分辨率的真实高光谱影像数据集进行了相应的实验讨论。结果表明了所提出方法对高光谱图像准确分类的重要性,并验证了所提出算法的有效性。