成像光谱仪的发展推动了高光谱图像的进一步发展,为遥感科学技术领域提供了新的研究方向。高光谱图像的波段数目较多,可以在某一光谱范围内连续成像,再和高光谱图像较高的光谱分辨率相结合,可以为地物目标提供连续的、精细的光谱曲线,为高光谱遥感实现地物精细探测提供坚定地基础。然而高光谱遥感影像丰富的空间、光谱、辐射信息也给遥感影像的处理带来了困难和挑战,容易造成“维数灾难”。因此如何对高光谱图像进行降维,提高地物分类精度便有了重要意义。本文主要对高光谱图像的波段选择和分类方法进行研究。在波段选择时,针对分类精度低、收敛速度慢的问题,提出改进量子进化粒子群算法对高光谱图像进行波段选择;针对利用支持向量机(Support Vector Machine,SVM)分类时,参数组合对分类精度影响较大,且参数不容易确定的问题,提出一种改进量子进化粒子群算法优化SVM模型。主要研究内容如下:首先,对传统的粒子群算法、量子进化粒子群算法、人工蜂群算法进行简要的介绍,对量子进化粒子群算法的参数进行了自适应变化,让参数随着迭代次数的变化而变化,很好的平衡了粒子全局搜索能力与局部搜索能力;在粒子进行变异的阶段,该算法结合了人工蜂群算法,将侦查蜂引入变异概率中,很好的解决了粒子容易陷入局部最优的这一问题。然后,将提出的改进量子进化粒子群算法应用于高光谱图像波段选择中,利用改进量子进化粒子群算法的较快的收敛速度以及较强的全局搜索能力且避免陷入局部最优的特点,对高光谱图像进行波段选择。对高光谱图像进行子空间划分,加快粒子的搜索速度;而后以最佳指数和J-M距离的加权和作为目标函数,进行波段子集的选择。实验表明:提升了地物的分类精度,缩短了算法的运行时间。最后,介绍了SVM的基本模型,对SVM的多分类方法进行介绍,针对高光谱图像在利用支持向量机进行地物分类时,参数设置不准确的问题,提出一种改进量子进化粒子群算法优化SVM模型,此模型在进行参数寻优的过程中,以SVM的总体分类精度作为适应度函数,实验表明:与传统的粒子群算法优化SVM模型相比可以获得较好的分类精度,同时克服了收敛过早,参数组合不准确的缺点。