高光谱数据降维是遥感数据在土地资源分析及应用的第一步，是人们获取遥感信息的一种重要手段。为了满足高光谱数据降维对分类精度、速度和泛化性的要求，针对高光谱数据具有的高维数、非线性、样本少、数据量大、标记代价昂贵等特性，利用机器学习、模式识别和遥感科学多学科交叉的理论和方法，研究高光谱数据降维问题。论文以非负稀疏表示、张量空间和迁移学习为基础，重点研究下面内容。1.基于(块)非负稀疏表示的高光谱数据降维。首先，为了保持每个样本间的稀疏结构关系和各样本的内在流形结构不变，综合利用非负稀疏表示和样本依赖排斥图共同构建邻接图，提出基于样本依赖排斥图的非负稀疏嵌入投影降维算法。然后，针对非负稀疏表示存在计算复杂、重构精度低等问题，引入超完备块字典，设计一种块非负稀疏表示方法。基于块非负稀疏表示，分别提出无监督的基于块非负稀疏嵌入的高光谱数据降维、监督的基于非负稀疏图的高光谱数据降维和半监督的基于非负稀疏半监督的高光谱数据降维。2.张量型高光谱数据降维。针对高光谱数据的张量特性，提出一种基于高质张量近邻图和补丁校准的高光谱数据降维算法。通过窗口领域将高光谱数据转化成张量形式，以保持每个像素的空间信息。为了能够反映局部张量样本之间的空间信息及达到全局最优，将补丁校准框架扩展到张量空间。同时考虑到传统的KNN或-ball近邻算法都是基于欧氏距离的，且传统的建图方法无法真正反映张量数据间的距离，为此设计一种含有类别信息的高质张量距离，并构建高质张量近邻图。3.基于特征迁移学习的高光谱数据降维。当源高光谱数据和目标高光谱数据来自不同分布时，很多先进的基于机器学习的高光谱数据降维算法的降维性能变差。为此，给出一种基于成对约束判别分析-非负稀疏散度的高光谱数据降维算法。该算法可以自动获得包含判别信息的成对约束样本，通过非负稀疏散度准则构建不同分布的源领域和目标领域高光谱数据之间的桥梁，以实现源高光谱数据到目标高光谱数据的知识迁移。研究成果不但可以为解决高光谱数据降维问题提供新的分析设计方法和技术储备，而且可以进一步深化和丰富现有的机器学习、模式识别、遥感科学等交叉学科理论，具有重大理论意义和实用价值。