高光谱遥感图像在传统遥感图像的基础上大大提高了遥感图像的光谱分辨率,使得高光谱图像能够获得地物的连续光谱曲线,为地物的识别和分类提供了丰富的光谱信息。高光谱图像在具有较高的光谱分辨率的同时,相邻波段图像存在大量的信息冗余,因此在利用高光谱图像进行地物分类前对高光谱图像进行降维是十分必要的。传统的非监督的分类方法受初始类别中心的影响较大,怎样选择较好的初始分类中心也是一个亟待解决的问题。针对上述高光谱图像降维和分类中存在的问题,主要解决的问题包括以下三个方面:1、针对高光谱图像波段间相关性较大,存在大量冗余信息的问题,提出基于子区间划分的非监督波段选择方法,主要包括4个步骤:互信息矩阵的构建、子区间的划分、代表性波段的选择、分类及其评价。将本方法选择的代表性波段与三种传统波段选择方法获得的代表性波段组合进行分类实验表明:本方法获得的代表性波段在绝大部分选择波段数上均有较高的分类精度和Kappa系数。对于不同的分类器,本方法选择的代表性波段具有较好的适应性。在时间上,本方法花费的时间稍多,但仍可接受。2、基于正交子空间投影的波段选择方法(OSP)在波段选择时,需要构建图像向量的正交子空间,并且搜索选择波段时需要遍历剩余的全部波段,会花费大量时间。针对这两个问题,提出分别使用光谱信息散度和结构相似性作为波段间的相似性测量和利用子区间划分减少波段遍历的数量。将改进方法获得的代表性波段与其余波段选择方法得到的代表性波段进行分类实验,实验结果表明在保证分类精度的前提下,随着波段数的增加,改进方法的波段选择时间均少于OSP方法,并且在选择波段数较多时分类精度更高。3、针对传统的模糊聚类方法易受初始聚类中心影响的问题。将粒子群算法的全局搜索性能引入模糊聚类中,以提高模糊聚类的聚类性能。将上述两种波段选择方法获得的代表性波段用于改进的模糊聚类方法中,实验将改进模糊聚类方法与传统的聚类方法相比较,实验结果表明改进FCM聚类在分类精度上有较大提高,并且其错分率较低。