遥感(Remote Sensing)属于对地观测综合性技术,兴起于20世纪60年代,随着空间及电子计算机等技术的发展,已在众多领域中得到广泛的应用,如农业、海洋、地质、军事等。发展至今,农业研究已迈入了新阶段,将遥感技术引入到农业监测工作中,可以帮助科学化农业决策迈入一个全新的高度,提供更高质量的农业生产服务。迄今为止,在监测作物长势、评估灾害及估计产量等领域,现代农业遥感技术的成绩十分显著,但在农业灾害监测和产量评估方面仍缺乏有效手段,农作物分类正是使这些方面成为可能的重要环节。作为遥感技术中的拓展,高光谱遥感技术已在农业遥感的前沿技术手段中占有一席之地。考虑到高光谱数据维数过高,直接用于分类会导致耗时长、分类精度低等问题,需在分类前对高光谱数据进行预处理。本文以此为出发点做进一步的研究。本文总结了前人的研究成果,针对蒙特卡罗降维算法采样大量随机样本耗时较长的问题,引入禁忌搜索优化算法,采用类内紧性与类间分离性系数(Compactness-Separation Coefficient,CS Coefficient)作为适应度函数,对高光谱数据进行降维,通过实验仿真验证,本文算法降维时间、特征波段数及分类精度方面均优于蒙特卡罗降维算法。根据混合像元的存在,会影响高光谱图像的地物识别精度,本文对N-FIDNR端元提取算法和基于高维单形体体积的端元提取算法进行研究。提出两种基于端元独立性和细化思想改进的端元提取算法。利用端元两两之间相互独立的特性,将端元独立性引入端元提取算法中。引入细化思想,分别利用单形体体积与高维单形体体积计算准则与端元独立性构成两种细化准则,对已有的两种端元提取算法进行改进。通过实验仿真验证,通过本文算法提取的端元获得的解混误差及分类精度均优于已有的两种算法。