高光谱遥感是20世纪80年代兴起的新型对地观测技术。与传统遥感技术相比，高光谱遥感能够探测到更多的物质，其最大的特点是能同时获得观测区域的图像信息和光谱信息，是当前遥感领域的前沿技术。随着由成像光谱仪获得的高光谱图像数据的不断累积，目前对高光谱图像的处理技术在如此海量的数据面前，显现出越来越多的缺陷。如何充分有效的利用遥感数据是亟待解决的问题。　　 高光谱遥感图像数据具有光谱分辨率高、波段数目多、数据量庞大等特点，因而对地面目标的光谱特性的测度也就更加细致，同时也带来了一些问题:图像波段越多、特征维数越高，数据的复杂度就越大，导致分类精度下降，这就是著名的Hughes现象。目前高光谱遥感数据的处理方法主要关注在对高光谱图像的数值分析处理上，比如图像校正（包括大气校正、辐射校正、几何校正等）、图像增强、图像降维、图像分类等方面。其中，“降维”是解决Hughes问题的一个必然选择，降维处理能够提高数据处理的效率，通过合理的方式进行降维还能够提高数据的利用率，降维方式的研究对于高光谱海量数据处理方法的发展和完善意义十分重大。　　 高光谱数据的降维处理过程即实现高维数据到低维数据的转换，从大量的高光谱信息中提取有利于后续处理的有用信息的过程，主要有特征提取和特征选择两种技术。在高光谱数据降维处理中探讨波段选择的方法有着重要的研究价值，而波段选择的过程其实就是一个组合优化问题。差分演化算法（DifferentialEvolution，DE）在解决组合优化问题上有不错的优势，因此，完全可以利用该算法将其应用到高光谱数据降维方法的研究中。本文从分析高光谱遥感图像的光谱维、空间维以及特征维等特性入手，重点研究高光谱遥感图像处理中的降维方法，并在此基础上提出一种基于改进DE算法的高光谱数据降维模型，以达到在提取最优波段组合过程中大大提高搜索效率的目的，实现一种快速有效的高光谱遥感数据的降维处理方法。本文研究的主要内容如下:　　 首先对高光谱数据处理中的降维方法做了深入研究，总结整理出特征提取和特征选择这两种方法，重点阐述高光谱数据波段选择理论模型，分别是信息量的最优波段选择法和类间可分性的最优波段选择法。其中，信息量的评价准则是从信息论的角度出发，使所选择的波段组合保持最大的信息量，具有代表性的有熵与联合熵、协方差矩阵特征值、最佳指数和自适应波段选择等方法，从而选出包含信息量大、相关性小、光谱差异大的波段组合;类间可分性的评价准则从分类的角度出发，使所需判别的地物类别在所选择的波段组合上类别可分性最强，由于高光谱数据具有空间维和光谱维特性，代表性的评价标准又可细分为两类:一是计算各类对在任意三波段组合上的统计距离（均值间标准距离、离散度、B距离、JM距离），二是计算各类对地物光谱在任意三波段组合上的混合距离、欧氏距离、马氏距离、光谱相关系数以及光谱角，取最大者（光谱相关系数取最小者）的波段组合为最能区分这两类地物的最优波段组合。　　 然后研究差分演化算法(DE)，将其应用到高光谱数据最优波段组合选择过程中。DE算法是RainerStorn和KennethPrice在1995年首次提出用来求解有关切比雪夫多项式问题的一种基于群体差异的随机优化算法。引入H.R.Tizhoosh等人提出的阴阳初始化种群的方法来改进DE算法，通过阴阳初始化可以加快种群收敛速度，并提高搜寻全局最优解的效率，最终实现一种快速有效的高光谱遥感数据的降维处理方法。本文在对比分析现有的高光谱数据降维方法的基础上，首先应用ENVI软件对原始高光谱数据进行预处理以及子空间划分，然后运用改进DE算法对数据进行实验，分别采用各个不同的波段选择评价标准作为DE算法的适应度函数值，计算得到不同维度大小的波段组合。　　 最后使用Weka软件中的分类方法对选出的最优波段组合进行分类验证，并用分类精度来衡量波段组合的好坏。实验证明，在高光谱数据波段选择中，本文采用的改进DE算法能够选出最优波段组合，且选出的波段组合可以得到好的分类精度。