高光谱图像提供了探测对象丰富的空间信息和光谱信息，已被广泛应用于军事和民用领域。为了充分利用其优势，研究有效的且适于高光谱图像特性的分析和处理方法具有重要的理论意义和实用价值。本文在现有成果的基础上研究了高光谱图像的压缩、去噪、融合、目标检测及分类技术，主要工作如下：首先，讨论了一种基于三维整数小波变换和小波支持向量回归的高光谱图像压缩方法。对于高光谱图像三维整数小波变换后的高频子带，利用小波支持向量回归学习其小波系数之间的相关性，并以支持向量来稀疏表示小波系数，达到压缩高频小波系数的目的。实验结果表明，该方法对小波系数进行了有效处理，在获得低比特率的同时，也保证了压缩图像的质量。其次，给出了一种基于NSCT和KPCA的高光谱图像去噪方法。利用NSCT对高光谱各波段图像进行分解，所得系数采用KPCA处理，依据各类噪声的特性，选取合适的主成分实现KPCA重构。实验结果表明，该方法抑制了高光谱图像中的噪声干扰，也较完整地保留了原始数据的有效信息。随后，研究了一种基于NSCT和区域分割的多光谱图像和全色图像融合方法。该方法不仅对NSCT分解得到的低频和高频系数采用了不同的融合规则，位于图像平滑区域和边缘区域的高频系数融合规则也不一样。区域分割在全色图像中进行，通过粒子群优化算法实现。实验证明了在主观及客观标准评价上该方法均优于其它相关方法。接着，介绍了一种基于混沌粒子群优化投影寻踪的高光谱图像目标检测方法。依据对异常分布敏感的偏度和峰度设计投影指标，并采用混沌粒子群优化算法搜索最佳投影方向。混沌粒子群优化算法加快了投影寻踪过程，并可得到更精确的最佳投影方向。大量实验表明，该方法能够更有效地检测出高光谱图像中的目标，且所需运行时间大为减少。最后，提出了一种基于经验模态分解和相关向量机的高光谱图像分类方法。针对高光谱数据的冗余问题，分别利用自适应波段选择方法和经验模态分解实现对高光谱数据冗余信息的处理及特征提取。之后采用相关向量机分类算法对处理后的高光谱数据进行分类。该方法在提高高光谱图像分类精度的同时，还减少了支持向量数目，从而加快高光谱图像分类速度。