高光谱图像以极高的光谱分辨率而著称，应用领域广泛。然而，它所具有的波段数量多、数据冗余严重的特点，给其在分类和识别方面带来一定的困难。因此，有必要研究一种既高效又快速地处理高光谱数据的方法。对高光谱数据进行波段选择就是从所有波段中选择起主要作用的波段子集，既能比较完整地保留有用的信息，又能使得高光谱图像数据的维数大大降低。粗糙集理论是一种研究不精确和不确定信息的处理的方法，它能够在不损失有效信息的情况下获得数据核心知识，对数据进行约简，实现数据的分类和预测。本文把粗糙集理论中属性约简的思想应用到研究高光谱图像数据的波段选择方法中，主要研究内容如下：　　（1）提出基于可变精度邻域粗糙集的高光谱波段选择算法。将邻域粗糙集理论中属性约简的方法融合到波段选择中，为了增强算法对噪声数据的适应能力，引入可变精度因子β，允许上、下近似存在一定的分类误差。邻域半径δ和可变精度因子β的选取是算法的重要影响因素，不同的δ和β将会得到不同的属性重要度，最终影响属性约简子集。本文研究了δ和β对波段子集中波段数量和分类准确率的影响，通过实验确定它们的取值范围，进行最优波段子集的搜索。　　（2）提出基于邻域一致性准则的高光谱波段选择算法。针对属性依赖度度量中没有考虑决策边界中的样本这一问题，将一致性的思想引入到邻域粗糙集中，根据邻域决策误差最小化准则选择波段子集，达到去除冗余波段的目的，可以在邻域的全部取值范围[0,1]区间内选择出大小合适的波段子集，对邻域的变化有较好的适应性和不敏感性。针对高光谱波段选择算法中存在的过拟合问题，提出前向修剪和后向修剪两种策略，通过实验对比两种策略产生的最终波段子集中所包含的波段数量和分类效果，结果表明Filter与Wrapper相结合的后向修剪策略更有效，可以得到满意的分类效果。　　（3）提出基于邻域互信息的高光谱波段选择算法。从信息观的角度出发，将信息熵引入到属性约简，把在波段子集中添加某个波段所引起的邻域互信息的变化的大小作为该波段重要度的度量。邻域粗糙集中基于信息观的属性约简算法是以属性依赖度为度量的代数观属性约简算法的互补，能选择出基于代数观的属性约简算法无法选择出的属性。　　（4）提出基于最大相关最小冗余准则的高光谱波段选择算法。在基于邻域互信息的高光谱波段选择算法基础上，将波段与类别之间的相关性和波段与波段之间冗余性相结合进行研究，分别定义了最大相关最小冗余差（MRMRD）和最大相关最小冗余商（MRMRQ）两种结合算子。通过该算法可以取得最优的波段子集，利用该波段子集进行分类能达到令人满意的分类效果，并且在稳定性上，MRMRQ算法和 MRMRD算法比其他算法也有较大的提高。　　（5）给出除分类性能外的另一种衡量波段选择算法优劣的重要指标——稳定性。对于同一个高光谱数据集，很多波段子集有相同或者近似的分类性能，本研究选择Jaccard系数为稳定性度量指标，研究样本子集之间重叠率、样本扰动变化、样本子集大小和邻域大小对算法的稳定性的影响。提出了兼顾分类性能、稳定性和波段子集大小的综合评价函数，可根据实际情况灵活设置参数来调整分类性能、稳定性和子集大小的重要性。同时，还分析了各算法对噪声的敏感性和对训练集大小的敏感性，讨论了各算法的适用性。