高光谱遥感图像具有丰富的光谱、空间、辐射三维信息的独特优势使其在许多应用领域发挥了重要作用。从高光谱图像中进行有效信息提取是高光谱图像处理的关键技术。在高光谱图像信息提取处理中有如下三个问题需要解决:　　1.混合像元在高光谱图像中普遍存在，混合像元解混需要高精度的端元提取。混合像元分解是高光谱遥感的重要研究内容，其中端元提取是理解高光谱数据继而进行光谱解混的前提条件。经典的端元提取算法都具有误差积累、评价参数简单等缺点，近年来提出的基于蚁群优化算法的端元提取方法具有全局搜索、正反馈等优势，与经典端元提取算法相比，有效地提高了端元提取的精度，但是仍存在启发信息有缺陷、迭代次数较多等不足。　　2.波段数量多会导致处理效率的降低和Hughes现象，需要选择高质量的波段子集进行降维。高光谱图像波段数量过多为数据的传输、存储、分析等处理带来了挑战。一方面波段数量的增多造成了高光谱数据量的急剧增加，因此高光谱数据的处理效率通常比较低;另一方面，在利用统计分析的高光谱监督分类方法中，训练样本的数量难以与波段数量相匹配，监督分类的精度因此就会受到影响，这就是所谓的Hughes现象。因此进行高光谱图像分析时通常先进行数据降维。波段选择是一种常见的数据降维方法，它从高光谱数据中直接选择能够最大程度保留原始波段特征信息的若干波段。从原始波段中选择最优波段子集时搜索策略是影响波段选择精度的重要因素，但是目前普遍采用的顺序前向选择法并不是一个全局搜索算法，无法搜索到全局最优解。　　3.高精度的信息提取方法面临计算效率较低的问题。随着空间、光谱分辨率的不断地提高，高光谱图像的数据处理效率面临严峻的挑战。基于蚁群优化的端元提取算法是一个迭代搜索算法，迭代次数一般较多，而每轮迭代中计算目标函数的计算量也相当大，因此计算效率问题是影响其推广应用的一个主要障碍。　　本文针对高光谱图像信息提取方法中的上述问题，从三个方面展开研究，具体如下:　　1.多算法集成的蚁群优化端元提取方法针对基于蚁群优化的端元提取算法中选取的能见度启发信息可能导致局部最优解的问题，提出在对高光谱数据无先验知识的情况下仅采用信息素进行概率转移的计算;针对算法迭代次数多的问题，引入了精英蚂蚁策略，促使算法更快地收敛;在上述两点改进的基础上，设计了基于蚁群优化的端元提取算法与经典端元提取算法的集成策略，提出了多算法集成的蚁群优化端元提取方法。　　2.基于蚁群优化算法的波段选择方法将波段选择问题看作组合优化问题，建立了波段选择问题的蚁群优化算法模型，以JM距离、MEAC或单形体体积为目标函数，提出了基于蚁群优化算法的波段选择方法，并进一步提出了端元提取辅助的波段选择算法，利用端元提取算法提取端元以提高波段选择算法的计算效率。　　3.基于GPU的蚁群优化端元提取并行处理方法将GPU并行处理技术应用于基于蚁群优化的端元提取算法，根据基于蚁群优化的端元提取算法和GPU并行技术二者的特点，设计了以数据级并行为主的并行处理策略，以充分利用GPU计算资源为原则，提出实现了基于GPU的蚁群优化端元提取并行处理方法。　　实验结果表明，本文提出的优化启发信息和引入精英蚂蚁策略两点改进提高了基于蚁群优化的端元提取算法的精度并减少了算法的迭代次数，在此基础上重点研究的多算法集成的蚁群优化端元提取方法提高了经典端元提取算法的精度，证明了多算法集成策略的可行性;与以顺序前向选择法为搜索策略的波段选择算法相比，基于蚁群优化算法的波段选择方法选择到了ML分类精度更高的波段子集，而端元提取辅助的ACOBS算法的计算效率得到有效地提高;GPU并行处理技术大幅度减少了基于蚁群优化的端元提取算法每轮迭代的运行时间，提高了算法的计算效率。