通过遥感技术发送上百个连续波段,采集目标的光谱信息,使得高光谱图像具有纳米级别的光谱分辨率。随着传感器的不断发展,该技术在地质勘探、农业生产以及医疗等领域都有广泛的应用。高维度和极高的空间分辨率带来的空间复杂度、数据冗余等问题,是高光谱图像数据在实际应用中的主要挑战。高光谱图像波段选择算法旨在通过波段选择算法,减少数据集中的冗余波段信息,是提升图像数据后续应用的有效预处理方案。波段选择算法保留了数据集的光谱信息,是一种广泛研究的降维策略。本文研究了一种基于互信息（Mutual Information,MI）理论的波段选择算法,称为邻域熵（Neighborhood Entropy,NE）。之前相关研究中,邻域集合的计算采用暴力搜索,高光谱数据集的高空间分辨率导致搜索效率成为算法的瓶颈。针对上述问题,本文以近似最近邻搜索（Approximate Nearest Neighborhood Searching,ANNS）策略为基础,提出了一种改进的NE波段选择算法。针对樽海鞘群算法（Salp Swarm Algorithm,SSA）的搜索效率以及种群多样性问题,提出了一种基于量子樽海鞘群算法（Quantum Salp Swarm Algorithm,QSSA）的波段选择算法,采用混沌映射提升种群多样性,将算法二进制化并将NE引入适应度函数。最后根据波段选择任务的需求分析,设计并实现了波段选择系统,将本文提出的改进算法应用到该系统。本文的主要内容如下:1.对于高光谱数据集,针对NE计算邻域集合效率较低的问题,采用基于局部敏感哈希（Local Sensitive Hashing,LSH）的ANNS搜索策略。分析了LSH参数选取的可行方案,通过实验数据集验证,确定了参数选取的范围。以往LSH在波段集合改变的情况下,需要重复构建数据集的索引。利用高光谱图像数据集的空间特性,本文设计了一种基于单次索引的LSH。实验采用了两种不同传感器采集的高光谱图像数据集,将提出的算法与其它基于MI的波段选择算法进行对比。实验结果表明,在波段个数较小的集合,本文提出的算法在总体精度和Kappa系数上,优于其它算法。2.针对SSA收敛速度慢,易陷入局部解等问题,本文采用种群编码二进制化、混沌映射以及在适应度函数中引入NE对QSSA算法进行改进,以提升算法的搜索性能、种群多样性以及解的可行性。其中结合NE可以评价选取波段和真实地物之间的相关程度。本文算法与二进制蝙蝠算法、二进制灰狼算法、引力搜索算法、粒子群算法以及鲸鱼优化算法进行了实验对比,从收敛速率以及全局搜索能力上体现了该算法的有效性。3.分析了波段选择算法的系统需求,构建了基于B/S架构的特征选择系统,并将提出的算法嵌入到系统中。该系统包括用户管理模块、波段选择算法模块以及分类实验模块组成的波段选择算法系统。最后对系统的主要功能模块进行了测试和界面展示。