高光谱遥感是影像与光谱合一为特征的新型遥感技术,是近年来地球观测技术所取得的重要突破之一,在现代军事、矿物勘测、精确农业及环境监控等领域有着广泛的应用。高光谱遥感中大量的波段数据可为人们探测地物提供丰富信息,对于后续的地物分类和目标识别十分有益。但是随着波段数目的增多,导致了信息冗余和数据处理难度的增加,如何从高光谱大量波段数据中选择有效波段,使其在保持有效分类信息的同时提升数据处理的速度成为高光谱遥感分类领域的研究热点。本论文基于高光谱图像固有的空间维和光谱维低秩特性,研究利用低秩表示模型对高光谱分类数据进行波段选择,实现高光谱图像的降维处理。具体来说,(1)提出了一种基于低秩表示与图结构的高光谱图像波段选择方法(Low Rank Representation Band Selection,LRRBS),该算法首先构建了高光谱图像的低秩表示模型,利用求解的低秩系数进行图结构表示,接着利用谱聚类算法将波段划分为若干子集,最后通过在子集内设计波段选择准则,得到子集内最显著的波段。(2)提出了一种基于超像素分割约束下低秩表示的高光谱波段选择方法(Superpixel Segmentation Constraint Low Rank Representation Band Selection,SSCLRRBS),该方法将高光谱图像的空间特征融合到低秩优化模型中,利用超像素表示模块对模型进行正则优化,以提高低秩模型对高光谱图像的表示能力,并以皮尔逊系数设计选取测度,选择出相应的显著波段。为了验证上述两种波段选择方法的性能,本文将选出的波段应用到三个经典的高光谱数据集的分类应用上。实验结果表明,LRRBS方法在三个数据集上分类效果较好,SSCLRRBS方法引入了超像素的约束,改善了低秩表示模型的性能,也有着显著的分类效果。除此之外,在与其他的波段选择方法的实验表明相较于本文所提出的两种波段选择方法也都具有良好的性能。