随着成像光谱技术的出现和不断发展,光学遥感从全色、彩色、多光谱遥感进入到高光谱遥感阶段。高光谱遥感成像可以在空间和光谱上获取丰富的“图谱合一”信息,因其在光谱上独特的“指纹”优势,高光谱在地物识别、环境监测、国防安全以及城市规划等领域都发挥着重要应用。然而,随着光谱分辨率的不断提高,高光谱图像正朝着成百甚至上千个波段发展,使得相邻波段之间具有高度的相关性,极高的光谱分辨率一方面会增加后续数据处理的复杂性,另一方面也会导致“Hughes”现象的发生。因此,降维作为降低高光谱图像冗余度和计算复杂度的有效手段,成为高光谱图像处理中不可缺少的预处理手段。高光谱图像降维技术主要包括波段选择和特征提取两类,其中波段选择因其具有较好的物理意义得到了广泛应用。本文针对分类这一特定任务需求,研究了面向分类应用的高光谱图像波段选择方法,论文的具体工作如下:（1）提出了一种耦合局部密度和信息熵的固定聚类中心K-means波段选择算法（Fixed clustering center K-means based on combining local density and information entropy band selection algorithm,FK-DEBS）。该算法首先在初始化时采用最大最小距离获取固定聚类中心替代传统随机聚类中心的方式,有效避免了随机选取初始聚类中心时波段间相关性高的情况;然后在初始聚类中心的基础上通过K-means算法得到若干个类别簇;最后,对于每一类别簇中聚类中心的选择,采用每个类别簇中局部密度和信息熵最大的波段作为最终选择的波段子集,这样可以有效地挖掘波段周围的信息,同时获得相关度最小、信息量最大的波段子集。（2）提出了一种基于改进的亲和传播（Improved affinity propagation,IAP）的波段选择方法。该算法将每个分好的固有类簇划分为若干子集,结合信息熵改变初始可用性矩阵,打破了传统亲和传播（Affinity propagation,AP）算法不能改变类别个数的限制,同时用矩阵迭代提高算法的有效性,选择出任意波段数的波段子集,提高了波段选择的效率。（3）提出了一种基于混合灰狼优化器算法（Hybrid gray wolf optimizer,HGWO）的波段选择方法。一方面,该算法在初始种群的选择时加入类别可分性度量准则,避免陷入局部最优,在一定程度上增加了选择出最有利于后续分类应用的最优波段子集的概率;另一方面,为了避免传统灰狼优化器（Gray wolf optimizer,GWO）采用线性收敛因子导致收敛速度变慢,陷入局部最优的概率增大的问题,该算法采用自适应递减收敛因子代替线性收敛因子,提高了HGWO的收敛速度。为了验证所提波段选择方法的有效性,本论文将选出的波段子集应用到不同的高光谱数据集的分类上,结果表明,本文提出的三种改进算法都具有较好的分类效果。