光谱遥感在对地观测中得到了广泛应用。目前光谱仪的光谱分辨率已达到高光谱、超光谱水平，即波段宽度达到纳米量级，这使得地物的精细分类以及大气组分鉴别等应用成为可能。但与此同时，高/超光谱的数据量呈现几何级数增长，并存在着各波段信噪比不同、波段间冗余性强以及维数灾难等问题，导致光谱数据处理时运算量大、分类效果不理想，因此需要进行数据降维。目前传统光谱降维算法的研究对象均为相对独立的光谱数据，其数据维数一般为数百维。传统降维算法对具有高光谱分辨率、高空间分辨率以及高时间分辨率特征的“三高”光谱数据进行降维时，会导致后续的光谱匹配及分类效果不够理想。本文在对光谱数据的谱间、空间、时间相关性进行研究的基础上，提出了相应的高/超光谱降维新方法。　　首先，本文从光谱强度值的统计特性出发，提出了基于光谱穿越特征提取的超光谱降维匹配算法。给出了通过统计等间距水平线与光谱曲线交点数来得到光谱穿越特征向量的具体步骤，利用超光谱的高光谱分辨率优势以及谱间相关性提高了算法的抗噪性能以及鲁棒性。降维后的低维穿越特征向量可代替原始超光谱进行光谱匹配，实验结果表明本文所提出的算法在保证了匹配成功率的前提下，与传统的欧式距离匹配相比节省了98％的运算时间。　　其次，本文利用高光谱图像中的空间相关性，提出了基于鲁棒空间信息的局部线性嵌入高光谱图像降维分类算法。该算法使用空间光谱距离代替像元光谱距离实现了空间信息的引入；再通过空间邻域排序避免空间信息由于几何变换而带来的影响，利用空间邻域筛选来剔除空间信息中噪声、异常像元的干扰。实验结果表明，相对于传统的局部线性嵌入降维算法，本文提出的改进算法提高了5.4%-12.8%的分类精度。　　最后，本文将机器学习领域中的深度学习算法引入到光谱数据处理中，对时间序列光谱的降维与分类进行了探索与研究。通过深度信念网络和分类器对单条光谱进行数据降维和分类；然后基于时间相关性提出了加权多数决策融合方案用于时间序列光谱的分类。实验结果表明该方法相对于支持向量机分类，精度提高了7%，同时也优于其他线性及非线性降维分类算法。　　综上所述，本文利用高/超光谱数据的谱间相关性、空间相关性和时间相关性，对高/超光谱数据的降维算法进行了理论研究。研究成果证明所提出的算法适用于高光谱分辨率、高空间分辨率以及高时间分辨率光谱的数据降维，并且能够提高高/超光谱匹配的实时性和光谱分类的准确性，为高/超光谱遥感实现高分辨率实时准确探测提供了有效的技术支撑。