高光谱成像技术是上个世纪80年代兴起的一种成像技术,它可以在可见光、近红外波段范围内对物体进行成像,依据其光谱分辨率和成像波段范围方面的优势,能够探测到许多普通成像设备无法探测到的信息,在经济建设和军事上都有极高的应用价值。高光谱图像分割是对高光谱图像进行分析和理解的基础,对其进行研究具有重要的意义。超像素是指具有相似纹理、颜色、亮度等特征的相邻像素构成的有一定视觉意义的不规则像素块。它利用像素之间特征的相似性将像素分组,用少量的超像素代替大量的像素来表达图片特征,很大程度上降低了图像后处理的复杂度。本文将超像素分割和高光谱图像分割结合了起来,提出了一种基于超像素的高光谱图像无监督分割算法,在边缘保持和自动化程度方面具有较高的优越性。高光谱图像在带来大量信息的同时,也存在数据量大、谱间相关性高的缺点,因此本文也对高光谱图像的降维方法进行了研究。本文对高光谱图像的无监督分割算法进行研究。首先对高光谱图像的PCA和MNF降维方法做出介绍,并进行了对比。接下来介绍了三种常用的超像素分割算法:SLIC超像素、Turbopixel超像素和分水岭超像素分割算法。通过对比实验,选择SLIC超像素分割方法来进行我们的实验。最后用巴氏系数作为像似性度量将像似程度较高且相邻的超像素进行区域合并,得到最终分割结果。通过与k-means高光谱分割算法和梯度重构分水岭的高光谱分割算法做对比,体现本文算法在边缘保持和自动化程度方面的优越性。