高光谱图像具有较高的光谱分辨率,利用高光谱图像丰富的光谱信息可以进行精细的地物识别。但其包含噪声波段且波段间存在大量的信息冗余,不利于后续的处理。因此,减少冗余的降维处理十分必要。特征(波段)选择是高光谱像数据降维的一种常用的方法,它在不改变数据结构的前提下,从原始特征集合选择出一部分特征,因此保留了特征的原始物理意义。传统的特征选择算法只能在单个高光谱图像(场景)上进行,而跨场景的特征选择尚未被广泛研究。本文针对高光谱遥感图像进行跨场景特征选择研究。该问题在不同的场景(数据集)上进行,存在着光谱漂移(数据差异)问题,使得传统的基于单场景的特征选择算法不再适用。为了解决这个问题,本文提出了两种跨场景特征选择算法。这两种算法充分利用了源场景与目标场景的信息,考虑两个重要因素:a)被选特征子集对地物类别的分辨性,b)被选特征在不同场景间的一致性(不变性)。本文具体研究内容如下:(1)跨场景信息增益特征选择算法。该算法考虑特征的两种信息增益,一种对于地物类别,另一种对于场景。本文结合以上两种信息增益提出了跨场景信息增益算法。该算法选出的特征对类别有较强的区分性,并且同时考虑了特征子集在不同场景间的一致性,以此来减小光谱漂移的影响。同时针对高光谱图像的实际应用,该研究考虑了连续数值特征上的信息增益计算方法。(2)跨场景的ReliefF特征选择算法。该算法充分利用了源场景图像与目标场景图像的信息,保证了特征在场景间的一致性。在从目标场景随机选取样本后,分别从源场景与目标场景中选取近邻样本,并通过跨场景规则去更新特征的权重,从而选出对于地物分类贡献较大且在场景间具有一致性的特征子集。本文对以上两种算法在实际的跨场景高光谱图像数据集上进行了实验。实验结果表明,提出的跨场景特征选择算法能有效提升目标场景的分类精度。