高光谱遥感图像具有丰富的光谱信息和空间信息,使其在地物识别与分类等领域具有广泛的应用。然而,随着高光谱波段数量的增加,波段之间相关性很强导致存在大量冗余信息,形成所谓“休斯”现象,降低了高光谱图像的分类性能。因此,有效地对高光谱数据进行降维是十分必要的。波段选择是高光谱数据降维处理的重要技术之一,它是从全部波段中选取代表性波段作为最优波段子集来代替所有波段进行研究,在不改变原始数据物理意义的前提下实现数据降维。在波段选择方法中,基于聚类的波段选择方法因其可以有效地选择丰富信息和具有代表性的波段而备受关注。然而,在基于聚类的方法中,大多使用单一聚类算法,单一聚类算法对高维数据聚类时存在不稳定性并且在聚类过程中忽略了相邻波段之间的相关性,从而容易导致所选波段的代表性不足。集成聚类技术可以有效提升聚类的有效性和稳定性,但还未应用于高光谱波段选择任务。针对这两个问题,本文提出了基于集成聚类与表示学习的波段选择方法,本文的主要研究内容如下:1.提出了基于相关性指导的集成聚类高光谱波段选择方法。针对单一聚类方法缺乏稳定性且忽略了相邻波段之间相关性的问题,本文首次将集成聚类引入到高光谱波段选择,利用高光谱波段选择的问题相关性信息,设计了新的共识函数,以获得有效的共识划分。同时,对流形排序方法进行改进,从每个簇中选择一个代表性波段,在真实数据集上进行一系列实验,证实了方法的有效性。2.提出了基于集成聚类与表示学习的高光谱波段选择方法。针对上述方法中高光谱数据维度高导致的基聚类质量不足问题,该方法基于表示学习技术,学习高维数据特征的有效表示,使基聚类的质量得以提高,并根据多样性度量和随机子空间技术增强基聚类的多样性。此外,通过设计有效的共识函数进一步提升最终的聚类划分,从而更有利于选择代表性波段。在三个真实数据集上与七种代表性的波段选择方法相比较,实验结果表明,该方法的性能优于现有代表性的波段选择方法。