高光谱遥感影像是近年来的研究热点,其含有数百条波段和极高的光谱分辨率,为图像分类提供了丰富的光谱信息,在地质勘探、农林植被监测等领域得到了广泛的应用。然而,高光谱数据维度高、相邻波段相关性大等特点,给后续数据处理带来了很大的挑战。因此,如何有效地降低高光谱数据维度,剔除冗余信息,是目前备受关注的研究热点。本文分别从有监督和无监督波段选择方法出发,充分发挥两者的优势及特点,对高光谱数据降维方法展开深入研究,主要的研究内容如下:（1）针对高光谱遥感数据维度高、分类效果不佳的问题,提出了一种有监督的波段选择方法。首先,为了最大限度降低数据维度的同时提高分类精度,设计了一个平衡波段数目和分类精度的适应度函数。其次,提出了一种基于黄金正弦算法和混沌策略改进的斑鬣狗算法来优化该适应度函数,进而从原始波段集合中优选出理想的波段子集。最后,在高光谱数据集上进行仿真验证,并与常用的智能优化算法进行比较,结果表明本文算法降维效果显著,且能够稳定的提高分类精度。（2）针对具有标签的高光谱样本数据较少且标签信息难获取的问题,提出了一种无监督的波段选择方法。首先,通过分析密度峰值聚类算法对数据聚类的优越性,及高光谱遥感数据的特殊性,利用基于SNN密度改进的DPC聚类将波段空间划分为若干子空间,以此降低所选波段子集的相关性。其次,综合考虑保留有用信息及剔除冗余信息两方面,利用由信息熵和K-L散度构成的目标函数对各波段进行排序,最终选出最优波段子集。最后,在高光谱数据集上,将该方法与当前的无监督波段选择方法进行比较,结果证明了本方法选择的波段组合能够得到更高的分类准确率,且有更好的普适性和稳定性。（3）为了验证本文所提GSSHO和SDPC-MIMR两种波段选择方法在实际应用背景下的普适性和优越性,采用WHU-Hi龙口高光谱遥感影像数据集进行实验,探讨两种波段选择方法的降维效果及提高分类精度的能力,分析两种方法的特点及适用范围。实验结果表明,GSSHO算法能在保证降维效果的同时最大程度的提高分类精度,非常适用于对分类精度有高要求的任务中,在缺少标签样本的情况下,SDPC-MIMR算法能够敏锐的捕捉每一条重要波段,在选择极小波段数目时得到了良好的降维分类效果,是一个稳定高效的波段选择方法。