对于基于高光谱图像的应用而言,在不降低性能的前提下,选择信息量大且具代表性的波段是大数据环境下一项具有挑战性的任务。波段选择是一种直接有效的降维方法,但是大部分方法忽略所选取波段的有序性与相关性,以及只根据波段排序选择所需的聚类中心数来构造波段子集。此外,对于许多波段选择方法来说,只考虑波段的冗余性会导致有价值的波段丢失。针对上述问题,本文首先研究了子空间划分策略,该策略基于相邻波段具有高冗余的特点这一事实,通过最大化类间距离与类内距离之比将高光谱图像立方体划分为多个子立方体,有效避免了获得高相关性子集。通过自适应子空间划分,得到的子立方体可以看作是一个总体框架,即每个子立方体中的代表性波段可以被其他标准选择。基于这一背景,本文提出了两种新的高光谱图像波段选择算法:（1）基于子空间划分和表示学习的高光谱波段选择。该方法的最大限度地利用类间距离与类内距离之比,将高光谱图像立方体分割为多个子立方体。然后采用自表示学习算法对子立方体进行处理并采用缓存记忆向量去进行波段选择。该方法使样本子集之间的连续性得到了保持。（2）基于自适应邻域分组和局部结构相关性的高光谱波段选择。通过采用自适应子空间方法对空间中的高光谱图像立方体进行分割,然后利用局部密度和距离因子的乘积对各波段进行排序,选择所需的聚类中心数。最后,通过对不同聚类中的波段进行信息熵和局部结构相关性分析,从每个聚类中选出最具代表性的波段。最后,在三幅高光谱图像上进行实验仿真来验证提出方法的性能,实验结果表明利用本文方法得到的波段子集有利于图像的分类,无论是整体分类精度还是地物准确率都有较大提高,证明了所提出的算法是一种有效的高光谱数据降维方法。