光学影像由于其丰富的视觉信息而为人们所重视，凭借其所包含信息的形象性，这种影像在生活中的应用越来越广泛，这些应用从航空侦察到海底探测，无一不影响着人们的日常生活。然而随着生活技术的蓬勃发展，人们开始并不满足于现有的图像资源，因此，人们可获取的光学影像开始逐渐向更多维度扩展，包括空间维，光谱维和时间维。其中，从光谱维进行的图像拓展，在图像研究中最为盛行。由于光谱数量的增加，相比于传统图像，高光谱图像能更好地反映图像的自然属性。然而，这种维度的升高也导致了图像信息的急剧扩增。为了解决数据量增大的问题，高光谱图像处理成为了近期人们关注的重要领域。为了满足高光谱图像处理的需求，人们一方面从计算机硬件系统入手，以实现大规模实时的高光谱图像处理;另一方面从计算机软件控制入手，从图像本身进行维度约减、信息整合以及图像分类。也正因此，高光谱图像的分类和波段选择已成为近期研究中的热点，对高光谱图像有效的分类，为其后续精准高效的处理过程打下良好的基础;对高光谱图像的波段选择，在不损害图像物理性质的基础上实现了图像维度的有效约减，使得输出图像特性更为突出，处理更加方便迅捷。　　高光谱图像分类是遥感探测中的一个基础性的工作，在各式各样的问题中，都有相当高的应用价值。这些问题小到单一物体追踪，丛林异常检测，大到土地利用，海洋资源探测等等。在这些问题中，高光谱图像分类往往被视为一个铺垫性的开端工作。在很多高光谱图像处理工作中，研究者们首先要对高光谱图像进行一个全局的分类，把各地物类型进行合理的区分，才能实现对不同地物各尽其用。由此可见分类工作常常与后续工作是环环相扣的;一旦分类结果不达标，后续工作都将遇见不必要的障碍。也正因此，不难发现高光谱图像分类在遥感领域中的重要性。另一方面，随着成像光谱仪的发展，遥感成像由多光谱发展到高光谱阶段。成像光谱仪在对目标进行成像的同时，对每个空间像元经过色散形成几十个以至几千个窄波段以进行近似连续的光谱覆盖，因此高光谱遥感数据可以看作是由空间维和光谱维构成的高维“图像立方体”。面对如此庞大的立方体，对光谱信息进行合理约减，正成为目前研究的热点，而高光谱图像波段选择正是一种有效的维度约减方法。本文从高光谱图像的分类和及其子问题波段选择两方面研究入手，从多个问题展开一系列的深入研究，进而提出鲁棒且高效的分析算法，并寻找这些方法的实际应用价值。具体而言，创新性工作如下:　　1.现有的高光谱图像分类算法往往主要对高光谱图像的光谱信息进行考虑，而忽视了空间信息导致高光谱图像分类效果欠佳。基于此，第一项创新性工作通过提出了一种基于分步条件迭代算法的高光谱图像分类方法，获取精准的分类结果。具体而言，该方法通过重新定义分步条件迭代算法中的数据项和平滑项，实现了马尔科夫随机场中能量函数的改进;借助于目标能量函数的分步展开，达到充分权衡数据项和平滑项权重的目的;提出一种类SIFT的特征，在特征提取的过程中加入像素间的位置关系的考量;引入有效的空间位置约束，提高高光谱图像分类的精度。此工作的有效性主要在印第安树数据集上得以验证，借助于该分类器，该图像的分类结果在10％的训练集条件下精度可达到96.08％。　　2.现有的高光谱谱段选择方法主要依赖于对谱段进行单独的或者成对的判定，而忽视谱段组合内的协同关系。基于此，第二项创新性工作通过最大化高光谱图像中谱段间的相关关系，实现了高效低损的波段选择过程。具体而言，该工作依据高光谱图像中光谱角的特性，提出新型的“双光谱角”特征;通过对高光谱图像特征的高效挖掘和表达，充分获取波段选择过程中所需的背景信息;利用波段信息构建波段内部关联框架，完成基于双聚类思想高光谱波段选择算法;构建免疫克隆模型，最终筛选并获取目标波段。此工作的有效性主要在传统的赛琳娜数据上得以验证，波段选择后利用SVM分类器，该图像分类总体精度依然保持在90.02％（此精度和全波段进行分类时的精度差控制在1％之内）。　　3.现有的特征提取方法往往对于高光谱图像“维度灾难”的问题难于应付，无法实现无损的信息压缩和有效的维数约减。基于此，第三项创新性工作提出了高光谱图像上的多任务稀疏表达模型，突破传统波段选择中难以把握全局信息的局限。具体而言，该工作构建波段聚类框架，将原始波段集用光谱信息进行划分;引入高光谱图像波段表征模型，将波段集以多任务形式进行表达;利用重构波段集合对原始图像进行稀疏表达，实现高效的数据维度约减;借助马尔科夫随机场去除邻域噪声，对高光谱图像进行高效分类;对比波段选择前后图像分类结果，验证波段选择过程的实效性。此工作的有效性主要在传统的帕维尔大学数据上得以验证，波段选择后利用SVM分类器，该图像分类精度达到92.52％（此精度略高于全波段进行分类时的精度91.20％）。