高光谱图像(HSI)的信息量巨大，导致数据的传输、存储及处理都有很大的困难，如何有效地减少数据量、降低数据维数是高光谱图像处理技术中的重要研究内容。本文采用波段选择的方法来对高光谱图像进行降维。　　针对高光谱图像的非线性特性，本文将流形学习的方法用于高光谱图像的降维，提出了两种局部保留投影(LPP)算法的改进算法。首先，为提高原始算法的鲁棒性，本文提出了ILPP算法。它结合光谱-空间信息融合的方式以构造相邻权值矩阵，减少了光谱对邻域范围的影响，降低了算法对于近邻范围的敏感度。实验证明，与原始算法相比，ILPP算法对于近邻范围的敏感度更低，证明了算法的鲁棒性的提高。其次，为提高算法的分类性能，在ILPP算法的基础上提出了TWILPP算法。它利用薛定谔特征映射中对拉普拉斯矩阵进行离散模拟的思想，同时引入相似性权值矩阵和差异性权值矩阵，设计出了一种新的特征映射模型，使得高维数据向低维空间映射时能够保留更多信息，进一步提高降维后数据的可分性。在不同数据集上进行实验，与其它降维算法相比，TWILPP算法的分类精度更高，证明了算法的分类性能更好。　　考虑到高光谱图像分类时不同波段的贡献度，本文将基于排序的波段选择方法用于高光谱图像的降维，提出了基于双子支持向量机特征消除(TWSVM-RFE)的改进算法TWSVM-RFE-MRMR算法。即利用最大相关最小冗余（MRMR）算法能有效剔除冗余特征的优势，改善原始算法无法很好地排除冗余波段的弊端，从而选出更具代表性的波段，使降维后的数据所保留的信息更全面。实验证明，TWSVM-RFE-MRMR算法的分类精度更高，特征选择能力更强，验证了算法的有效性。