高光谱遥感技术可以采集从可见光到近红外数十至数百个窄波段的地物光谱响应信号,其成像光谱仪获取的高光谱图像通过广泛的电磁波提供丰富的光谱信息,在军事安全、灾害监测、智慧农业等领域具有广泛的应用。高光谱图像数百个光谱波段的连续性导致相邻波段高度相关,造成一定程度的信息冗余,增加了计算量和数据处理难度。高光谱波段选择方法可以去除高光谱图像的冗余波段并保留光谱的物理属性,是压缩高光谱数据的有效方法。目前高光谱图像波段选择方法主要存在两个不足,一方面是基于卷积神经网络的波段选择方法只能对规则图像局部区域进行卷积运算,不适用于以拓扑图表示的不规则图像区域,缺乏普遍适应不同物体分布的全局区域表达能力,另一方面是基于波段排序和类间可分性的波段选择算法通常忽略波段之间的相关性,未充分考虑光谱波段之间的非线性和全局相互作用。针对上述问题,本研究基于图表示理论深入挖掘波段之间的相关性,旨在选择高光谱图像中最具有代表性的波段用于高光谱图像分类任务。本文具体的研究工作如下:1.提出了一种基于谱聚类的半监督式高光谱波段选择方法。该方法首先构建波段低秩表示模型提取波段间的相关性系数,并通过超像素和不平衡类别约束以提高波段相关性描述的性能,然后利用自适应的谱聚类算法对波段进行聚类形成多个聚类簇,最后通过设定的选择准则,选出每个聚类簇的最显著波段,以实现波段选择过程。2.提出了一种基于图卷积神经网络的无监督式高光谱图像波段选择方法。该方法首先搭建基于卷积神经网络（CNN）和图卷积网络（GCN）的混合网络提取波段的初始特征,然后利用GCN和CNN挖掘波段的相关性,接着根据获得的相关性选择波段子集输入光谱重建网络,最后通过定义的损失函数对波段重建进行优化,以实现波段选择过程。本文使用了三个常用的高光谱数据集分别对提出的波段选择算法进行性能评估。实验采用将每个数据集选出的波段分别输入到四种分类器中进行分类,并且与目前主流的波段选择算法进行对比。实验分析结果表明本文提出的波段选择算法相对于其他波段选择算法显示出一定的优势,在时间效率和分类性能方面均表现出较好的效果。