作为遥感的前沿技术，高光谱遥感在诸多领域显示出了巨大的应用潜力。它包含了丰富的地物信息，通过对高光谱数据进行研究可以很好地了解地物的各种特性，有利于自然界的知识发现。它将地物的光谱性质与地物的实际地理空间信息结合在一起。在海洋遥感、植被研究、精细农业、地质调查、军事侦察、自然灾害监测等方面都有广泛的应用前景。但是高光谱数据具有海量数据的特征，同时数据是图谱合一的，这使得如何从这些海量数据中快速而准确提取有用信息成为一个亟待解决的难题。　　 根据获取的遥感信息对地物目标的物理属性进行识别是遥感的众多应用领域中的一个重要组成部分。如何有效的进行遥感数据分类前的特征提取，是当前遥感分类与识别领域的重要研究方向之一。它涉及到能够最好地描述某一特定应用原始图像频带最优子集的确定。要合理地使用特征选择，就要考虑识别重要特征所必需的搜索算法和评估结果的目标函数两个方面。搜索算法必须提供有效的方法找到与特定目标函数相关的包含最丰富信息的特征。　　 主成分分析法(principal component analysis，简写为PCA)是特征提取的有效方法。对于高光谱数据，往往需要先把数据空间分成几个相关的子空间，再分别在子空间内进行PCA变换，提取出主要特征，再进行分类。为了减小计算复杂度，并提高图像解读的准确性，就要将分类或建模过程应用到精简后的图像特征空间，而不是原始图像空间。这就需要在图像分类或建模前对数据进行降维和特征提取。由于邻近波段之间的高度相关性，波段特征可以通过某些数据转换如主成分分析(PCA)来提取，从而删除冗余信息。虽然标准主成分分析已广泛应用于为高光谱/多光谱图像波段间降低相关性，降维和特征提取，但它并不是最优解决方法。标准主成分分析为了给许多不同的应用程序提供信息使用所有可用的谱带做数据转换，而不考虑一些频段在某些具体应用中无助于信息提取。然而，如果一些波段的变量与某具体应用无关，即便是标准主成分转化保存了原始谱带的所有变量信息，最后的结果可能是相当具有误导性的。比起保留所有的波段共同信息只保留带独特信息的波段是更为有利的。为此，我们提出了使用选择性主成分分析(Selective PrincipalComponent Analysis，简写为SPCA)对高维的光谱数据进行降维处理，提高波段信息的可靠性。SPCA是基于这样一个假设的，即假设原始光谱波段的一个子集代表了特定应用在原始波段中的最重要的信息。为了成功的实现SPCA，搜索策略和评估函数都是不可或缺的。　　 演化算法是基于基因进化过程理论的一种自适应搜索方法。通过隐性并行策略，演化算法优化过程可以有效的探究搜索空间而不会陷入局部优化。因此我们把演化算法作为搜索算法应用到高光谱最优波段选择中。常见的演化算法有遗传算法(Genetic Algorithm，GA)，差分演化算法(Differential Evolution，DE)，基因表达式编程(Gene ExpressionProgramming，GEP)等。　　 本论文基于项目《基于演化数据挖掘的铀矿床高光谱遥感信息自动提取技术研究》。主要做了以下工作。对采集数据进行预处理：包括反射率光谱数据校验，对校验后的反射率光谱曲线进行平滑，光谱特征参数提取；对预处理后的数据进行特征选择和特征提取：通过差分演化算法做矿物特征子集选择，并用选择性主成分分析做特征提取，有效地降低高光谱数据维度。通过数据分类对矿物进行识别：在特征选择和特征提取的基础上用GEP算法对矿物进行识别。　　 在论文中主要研究新型的特征提取和特征选择算法选择性主成分分析法(SPCA)在高维遥感数据处理中的应用，并通过基因表达式编程(GEP)对项目中的高光谱遥感数据进行分类，以此来验证SPCA算法的优劣。　　 在本文的实验中用差分演化算法和信息熵标准作特征子集选择和评估，取得了令人满意的结果。实验证明使用选择性主成分分析对数据进行数据降维后，矿物的分类精度提高了十几个百分点，实验结果得到了优化。