在遥感(Remote Sensing,RS)领域中,高光谱影像(Hyperspectral Image,HSI)是一项关键技术,是发展遥感技术历史上的一项重大突破。其主要原理就是有极多波段紧密相邻电磁波从远端遥感卫星发射出来,这些电磁波照射在地球上物体所产生的反射会被卫星上的传感器所接收,计算机会获取并记录信息。因为传感器对电磁波段接收的过多,所以会有大量信息被包含在原始图像数据中。但是这些高光谱图像数据中不仅包含有用的数据同时也夹杂着许多冗余数据,大量且无用的数据会导致科研人员在后期计算处理图像上的困难,并且这些不必要的信息还会导致休斯现象。针对上述的问题,现有的解决方法可以大致分为两类,一是特征选择的手段,二是特征提取的方法。两者最终的目的都是通过减少原始数据集维数来达到减少高光谱图像的数据量并且从中提取出有用的信息为目的。本文中主要使用到的是波段选择的方法,其作为一种常用的高光谱图像处理技术可以通过某种技术手段很好的将隐藏在原始数据集中最优的波段分离出来,这种技术手段能够有效的去除冗余信息,有效的减少后期技术人员的工作量,并且在实验结果中表现出优异的分类结果。以消除高光谱数据的维数灾难和冗余为目的,基于传统子空间划分的技术和人工鱼群算法(Artificial Fish Swarms Algorithm,AFSA)的基础,分析已知的降维算法并探究新型解决思路,提出了结合模糊C均值聚类的人工鱼群算法(Fuzzy C-Means Fish Swarms,FCM-FS)这一种新型波段选择方法,并作用在高光谱图像实验中的三个标准化数据集中。相比于传统的子空间划分方法,本方法借助于高光谱图像光谱可视化技术支持,能够大致确定子空间划分的个数,并且使用FCM算法有效地将原始数据集中相似的波段划分到同一子空间中,再通过实验和研究确定了使用极大熵作为人工鱼群优化算法的适应度函数的这一思路,从上一步划分好的各个子空间中进行波段选择。文章为了说明所提出算法的有效性,找到其他常用的波段选择算法一并作用于三个高光谱标准数据集中,并将本文提出的FCM-FS算法与其他算法进行对比和讨论,结果表明本文提出的算法能够在有效地降低所选特征之间冗余的同时,还能保持较高的分类性能。