高光谱遥感是基于电磁波谱理论、地学和计算机等技术的综合性学科。随着遥感技术的迅速发展，人们获得高光谱图像的能力也不断提高。由于高光谱遥感图像具有独特的高光谱分辨率的性质，使得高光谱数据在地质灾害分析、军事目标识别、生态环境监测以及农业生产等诸多领域得到越来越广泛的应用。目前适用于多光谱图像数据处理的许多算法已经比较成熟，但是高光谱图像数据的维数非常高且数据量很大，给传统的多光谱数据处理算法带来了新的难题。因此探索适用于高光谱数据处理的算法是高光谱遥感应用首先需要研究的课题。本文从分析高光谱图像数据的特点入手，在研究现有算法的基础上，针对高光谱数据的降维和分类算法进行深入研究。主要的研究工作如下：①对高光谱遥感数据的降维算法进行了深入的研究，主要包括波段选择、特征提取和数据融合等3类算法，其中特征提取是较常用的技术。在研究了特征提取诸多算法的基础上，采用一种新的半监督的流形学习算法——半监督边际费希尔分析(SSMFA)。SSMFA同时利用有标记样本和无标记样本的局部几何结构信息学习高光谱数据的内蕴流形结构，提取有效的鉴别特征，降低了数据的维数和冗余度，为后续的分类提供了更多可用信息。SSMFA是半监督算法，具有自我学习的能力，在一定程度上解决了高光谱数据有标记样本不足的问题。②对高光谱数据的分类算法进行了研究，详细介绍了几种常用的监督分类算法，对分类精度的验证指标进行了阐述。在SSMFA算法的基础上，将kNNS算法引入到高光谱数据分类的研究中，通过样本与不同类别的近邻点之间的距离判定其类别属性。对高光谱遥感图像的分类实验证实，数据的降维处理是非常有必要的。SSMFA算法降维后增强了不同类别数据的可分性，使kNNS的分类精度得到进一步的提升，且降低了计算量。③现有的面向高光谱数据特征提取的算法大部分都是基于数据中单一流形结构假设的，并将其投影到统一的流形空间。但实际的数据可能分布在不同的流形结构中。基于此本文采用基于线性局部与全局保持嵌入的多流形学习算法(M-LLGPE)，该算法通过学习不同类别数据的流形结构，将每个流形的数据投影到一个单独的低维空间，以得到更佳的降维结果。并通过遗传算法搜索能够使分类精度达到最优的各个流形的本质维数，最后利用重构误差分类器对降维后的数据进行分类。该算法便于更加细致地研究不同类别数据的流形结构。通过对高光谱图像的分类实验，验证了M-LLGPE算法的有效性。综上所述，本文基于高光谱数据降维和分类的理论研究，提出了新的算法，实验结果证实本文算法能够取得较好的效果。