高光谱遥感技术将成像技术和光谱技术有机地结合在一起，使得高光谱图像具有图谱合一的特点，能够提供区分不同地物的诊断性光谱信息，因此，在众多遥感应用领域具有独特的优势。然而，高光谱图像数据维数高、数据量大以及冗余度高的特点使得传统的遥感图像处理方法并不适用于高光谱图像数据处理。波段选择是解决高光谱图像处理问题的一个有效途径。本文针对传统高光谱图像波段选择技术中存在的鲁棒性低、计算速度慢以及没有针对小目标检测等问题进行了深入研究，提出了多种波段选择方法。具体地，本文的主要工作和研究成果总结如下:　　1.提出了基于高光谱图像立方体质量的波段选择方法。传统的波段选择方法不考虑噪声的影响，因此波段选择结果对噪声不鲁棒、受噪声影响大。为了解决这个问题，本方法提出了针对多波段图像的数据质量，该定义兼顾了图像的信噪比和波段之间的相关性。在此基础上，提出了基于数据质量的波段选择方法，试验表明，该方法能够有效地克服传统方法的缺点，对噪声具有高鲁棒性，选择的波段子集能够获得更高的分类精度。　　2.提出了典型成分分析高光谱图像波段选择方法。该方法将波段选择问题等价为波段聚类问题，但与传统基于波段聚类的波段方法不同的是，该方法并不需要对波段进行实际聚类，而是直接计算各个波段的典型指数，因此，其计算复杂度大大降低。此外，该方法还能够适应多种数据分布，而不仅仅是传统方法的高斯分布。　　3.提出了基于图表示的高光谱图像波段选择方法。该方法将波段视为高维空间中的图的节点，并将图论的基本概念引入到波段选择之中，提出了波段选择的准则函数。该方法可以理解为基于准则函数和基于聚类方法的结合，具有鲁棒性高、计算复杂度低等优点。　　4.提出了基于分块矩阵行列式的快速高光谱图像波段选择方法。在波段选择技术中，计算复杂度是一个重要的指标，降低波段选择的计算复杂度具有重要意义。本方法以协方差矩阵行列式为目标函数，利用矩阵分块行列式的计算技巧，大大降低了波段选择所需的计算复杂度。通过推导，该方法将行列式的计算转化为波段得分指标，该指标的计算不仅具有极低的计算复杂度，还可以帮助确定所需的波段选择数目。　　5.提出了基于体积梯度的快速高光谱图像波段选择方法。本方法利用矩阵行列式的几何意义，指出了子矩阵行列式与矩阵行列式的梯度的对应关系。通过巧妙利用矩阵行列式的梯度矩阵，使得波段选择的计算复杂度大大降低。此外，该方法可以应用于波段选择以外的领域用于降低计算复杂度。试验结果表明，该方法在波段选择结果相同的情况下，可以将计算速度提高2～3个数量级。　　6.提出了基于自相关矩阵的快速高光谱图像波段选择方法。该方法首先指出了线性预测误差最小与自相关矩阵行列式最大的等价性，进一步地，通过严密的推导，证明了线性预测误差最小与自相关矩阵的逆的主对角线相应元素互为倒数。在此基础上，使得波段选择的计算复杂度大大降低，甚至超过了相应的GPU实现。此外，通过使用相对误差作为目标函数，该方法使得波段选择的精度进一步提高。　　7.提出了基于联合偏度的高光谱图像波段选择方法。传统高光谱图像波段选择算法绝大多数是针对分类的，而没有针对小目标检测的。该方法首先提出并定义了多波段数据的联合偏度的概念，将数据的协偏度张量的超行列式定义为联合偏度。由于超行列式计算困难，该方法进一步提出使用高阶奇异值分解得到奇异值的乘积近似超行列式。在此基础上，提出了基于联合偏度的高光谱图像波段选择方法。试验表明，该方法选择的波段子集包含了丰富的小目标信息并且能够兼顾不同的目标，能够获得较好的小目标检测效果。　　8.提出了基于CEM的高光谱图像波段选择框架。该框架将CEM小目标检测结果理解为各个波段的线性加权和，权重为对应CEM算子的分量。在此基础上，该方法提出了三种不同的波段选择思路，由于这三种方法都同时考虑了目标和背景，因此选择的波段子集具有较好的目标检测效果。　　9.提出了基于LASSO的高光谱图像波段选择方法。该方法利用了关于CEM的重要结论:波段数目越多，则小目标检测效果越好。基于此，该方法构建了稀疏约束的波段选择优化模型，并将其转化为LASSO模型。最终，该模型转化为标准的二次规划。该方法的优点是将离散的波段选择问题转化为连续的函数优化问题，从而避免了波段子集搜索过程，同时构造的模型能够获得全局最优解。