高光谱图像具有图谱合一、光谱分辨率高、波段数多等特点,被广泛应用于矿物探测、海洋检测、植被覆盖、精细农业等领域。然而,高光谱图像所具有的高冗余性、大数据量等特点都会增加图像智能处理算法的计算成本。因此,波段选择成为了高光谱图像处理的研究热点,旨在从原始波段中选择具有代表性的波段子集来保留原始数据的光谱信息。基于图学习、隐低秩表示、波段排序等理论,本论文相继提出了两种高光谱图像波段选择算法,具体工作如下:（1）提出了一种融合图学习和排序技术的半监督波段选择算法。该算法首先在无监督的情况下,利用所有样本计算相似度矩阵,保留了原始空间和低维空间中相似的局部关联性。然后,利用有限的标记样本来增强选择波段的判别性。此外,为有效缓解选择波段的高冗余性,本算法借助具有行稀疏约束的L2;1-范重设计了非负指标矩阵,通过对其排序选择更具代表性和有可解释能力的波段子集。最后,在高光谱数据上的实验验证了本算法性能。（2）提出了一种基于图学习和隐低秩表示的无监督波段选择算法。该算法将隐低秩表示、相似图学习和选择波段整合在一个模型中。一方面,将局部空间信息学习、非负约束条件集成到隐低秩表示中,通过与非负指标矩阵交替学习,使算法能在低维空间中学习高光谱图像的全局和局部结构。另一方面,利用隐低秩表示具有从行空间和列空间的角度探索数据低秩属性的特点,将隐低秩表示应用于波段选择中来学习高光谱数据的空谱信息。此外,考虑到高光谱图像存在噪声,使用具有L2;1-范约束的误差分量E来增强算法的鲁棒性。最后,在高光谱数据上的实验验证本算法性能。