高光谱遥感因其超高的光谱分辨率在地物识别中所起的关键作用,而越来越受到重视。目前高光谱遥感已经应用到了矿产勘查、国土精细变化监测、精细农业、水温水色监测、病虫害监测等常规遥感技术无法满足需求的领域。但是,高光谱遥感也存在一些不可避免的问题:首先,高光谱遥感的超高光谱分辨率导致了数据量的增加,这给数据的快速处理带来了极大负担;其次,由于地物在某一波长范围内光谱特性相同或相似,导致在某些连续相邻波段内光谱特性的强相关性和信息冗余;再者,由于数据采集过程中受到传感器及外界环境的影响,在数据生产过程中产生大量噪声,这些噪声会大大降低地物识别的正确率;最后,存在维数灾难现象。对于地物识别,过多的波段参与分类不仅不会提高分类精度,反而会在一定程度上降低分类效果。因此,如何进行有效降维,提取地物分类识别的关键波段,并利用高效的分类算法进行分类是高光谱遥感的主要研究方向之一。本文根据高光谱数据的特点,在波段选择方面,提出了基于子空间—粗集法的最优波段选择方法。该方法在传统子空间划分法的基础上,利用粗集约简思想对不同类别地物光谱特征进行约简,得到基于光谱的初选波段,再利用灰度共生矩阵法计算出初选光谱波段的纹理信息,并约简优选和叠加,得到基于光谱和纹理信息的终选波段。在地物分类方面,本文在波段选择的基础上,根据选出的不同属性集合,依据集成理论,分别采用了BP神经网,SVM和小波神经网络对各个属性集合进行了并行分类,将各个属性集合的分类结果,采用多数投票法进行投票,确定每个像素的所属类别,最终确定地物分类结果。本文分别利用了黑河数据、印第安纳州数据和大连溢油数据对本文提出的波段选择算法和集成分类算法进行了实验。实验证明,通过子空间—粗集法进行波段选择后,不仅实现了维数大幅度的降低,而且还深入挖掘了数据的纹理信息,实现高光谱图像光谱信息和纹理信息的综合有效利用;通过集成分类算法与传统的BP神经网络、小波神经网络分类及SVM分类算法进行比较,证明了集成分类器较之单一分类器能进一步地提升高光谱数据分类的精度。