高光谱图像中丰富的光谱信息可以给社会生活中各个领域的应用带来很大的好处,但是过高的光谱维度也使数据存储和后续的数据处理面临一定的挑战。因此,在保留高光谱数据原始信息的前提下,尽量降低高光谱图像的光谱维度是十分有必要的。波段选择方法由于保留了原始数据的物理含义被广泛应用于高光谱图像的降维技术中。依据在波段选择过程中是否用到了标记样本的判断准则,波段选择方法被分为有监督、半监督、无监督三种。高光谱图像中,标记样本的获取需要耗费大量的人力物力。为了克服高光谱图像预处理过程中标记样本不足的问题,本论文在波段选择的过程中充分利用了伪标签的概念,对使用了标记样本和未标记样本的半监督波段选择方法进行研究,提出三种基于标记样本扩充的封装式波段选择方法。伪标签不是数据中给出的实际标签,而是使用一部分标记样本训练出的分类器预测得到的标签,从而在一定程度上解决了封装式波段选择方法中缺少准确的标记样本的问题。论文主要研究以下几个方面的内容。1.封装式方法由于其准确性受有标记的训练样本的数量限制,很少被用到高光谱图像波段选择方法中。根据高光谱图像局部平滑性的特点,本文提出了一种简单而有效的封装式半监督波段选择方法。其中,边缘保持滤波器被用于改进像素级分类图的性能,改进的分类图又可用于评估波段子集的性能。该方法的特点在于同时使用了有价值的标记样本的信息和丰富的未标记样本。实际高光谱数据集中的实验结果表明了文中所提方法的有效性。2.在高光谱图像分类任务中,动态分类器选择是指根据不同测试样本的特点,为每个测试样本选择最佳的基分类器,其中,基分类器是指使用不同准则训练的一组分类器。本文将动态分类器选择的概念应用到波段选择方法中,提出一种基于动态分类器选择的封装式半监督波段选择方法。在所提出的方法中,波段选择转化为基分类器的选择。其中,对支持向量机分类图进行滤波处理以提供高质量的伪标签,使用K-近邻方法来定义局部区域,最后,在局部区域中表现最好的基分类器对应的波段被选择。三个真实高光谱数据集中的实验结果同样表明了所提方法的实用性。3.高光谱波段选择的本质任务是选择合适的波段子集使其能够最大程度的保留原始数据的信息。由于高光谱数据集维度较高,如果直接在原数据集上计算排列组合来确定可能的波段子集,那么计算量太大而不能用在实际应用中。本文提出一种基于分组和排列组合的波段选择方法,先用合适的聚类方法进行分组,在分组的基础上选择合适的波段子集,该方法同时考虑了波段之间的相互影响和高维度时的计算复杂度。