随着我国卫星遥感技术的迅速发展,其在对数据精度、细致度以及深层次信息要求极高的领域都占据重要的位置,并在生活、安全、矿产资源探测等许多方面起着越来越重要的作用,而遥感高光谱图像在国内各个领域的应用才刚刚起步。高光谱图像处理技术作为其中一大重点研究方向,已成为一个热门的研究领域。然而传统高光谱图像分类方法仅仅利用了高光谱影像的反射率信息,并没有借鉴传统图像处理领域里的一些形态学的方法和理论。本文针对高光谱图像分类的预处理提出了一个新的框架,借鉴传统数字图像处理手段中进行特征计算的方法和理论设计了一种新的处理方式。考虑到高光谱图像数据中有很多极其相似甚至重复的波段信息,这些特征信息在重复地计算过程中又会浪费许多时间和计算资源,并且由于过量波段的数据参与分类会导致“Hughes”现象,分类精度反而下降。所以需要在分类之前选择出合适的波段参与计算。达到降低时间成本和提高精度和稳定度的目的。本课题提出了一种基于波段选择的分布式高光谱图像处理算法来解决上述效率和精度问题。首先我们设计了一种新的波段选择算法,该算法通过计算图像像素点之间的位置“黏度”关系,来判断像素点之间的相似程度。并且经过如此处理过后的波段图像实际上加入了图形学特征,使得像素点不仅仅是单纯的反射率信息,更多的是反映相邻的位置关系。并通过波段之间的相关性筛选出部分波段替代某一些波段簇,这样送入分类实验中的效果和稳定性才都有提高。其次因为在计算新的波段选择特征时会非常耗时,于是可以想到把数据集分散到各个不同的计算节点上,通过在多个计算节点上并行计算特征,加快算法执行过程,并最终将写回到一台机器上的最终结果计算关联度,再进行波段的选择。最终实验结果显示我们的方法可以有效的提升分类精度和效率,并在不同的分类环境中也稳定在一个非常不错的水平。在最后的过程中把波段选择算法迁入到分布式计算环境中,大大降低波段选择算法过程消耗的时间,使之完全可以真正运用到真实高光谱图像分类场景中。