利用基于高光谱成像（Hyperspectral Imaging,HSI）技术提取的面部组织氧饱和度（Tissue Oxygen Saturation,StO2）来检测人类心理与生理压力,是一种利用生理信号的非接触式压力识别技术,是情感计算领域的一项重要研究内容。高光谱图像能够提供丰富的光谱、图像信息,但这也会造成数据冗余问题。正确处理高光谱图像中的高维数据是当前进行实时压力检测的关键。本文以实现StO2的实时生成和压力的实时检测为目的,研究高光谱图像的波长选择算法。本文所完成的主要工作如下:（1）提出了一个用于实时检测人类压力的波长选择方法框架。基于对高光谱压力数据的理解,本文提出线性预测（Linear Prediction,LP）算法结合多头绒泡菌网络（Physarum network,PN）算法（记为LPPN）从传统波段516～580nm（包含106个波段）中选择波长来生成StO2。将LPPN算法选择四个波长产生的StO2用于压力检测,对心理压力和生理压力的分类识别率可以达到93.84%,高于整个波段范围的90.93%。实验结果表明LPPN算法提升了LP算法在实际应用里的分类准确率,同时也保持了PN算法在选择较少波段子集时的优越性能,证明了实时生成StO2和检测人类压力的可能性,本文提出的框架具有一定的应用前景。（2）提出了一个评价标准“Score”来评估不同的波段子集性能。本文需要从波段数目、识别精度、信息量等多方面来评估波段选择方法的性能。考虑波段数目、识别精度是希望选择尽可能少的特征波段,并保持一定的分类精度。考虑相关性、信息量是希望选择冗余度低且信息量高的波段组合。因此,本文根据这四个评价指标提出了一个评价标准“Score”,并在高光谱压力数据集上对提出的波长选择算法与多种波长选择方法进行对比,根据“Score”选择出了最优波段组合,并对最优波段组合的特征进行特征选择。（3）探究了波段选择对面部StO2图像的影响。研究发现由LPPN算法的四波段组合数据生成的StO2图谱与传统516～580nm波段生成的StO2图谱高度相关（平均皮尔逊相关系数为0.9548）,具有相同的分布模式。证明了本文提出的LPPN算法选择出的四波段组合比较适用于实时提取面部StO2及压力检测。本文提出的波长选择算法LPPN能够实现少波段子集的压力识别率高于全波段压力识别准确率,同时可以保障少波段子集生成的血氧模式。实验结果表明该波长选择算法能够有效实现基于高光谱成像技术的压力实时识别任务。