近年来,随着遥感技术的持续发展,高光谱图像作为一种包含大量地面目标细节信息的多通道图像在分类、检测以及聚类等领域得到了广泛的应用。然而,高光谱图像同时也包含了大量的干扰信息,造成了“信息丰富知识匮乏”的假象,而且过高的维度给数据的处理也带来诸多的不便,即所谓的“维度灾难”问题。因此,降维成为高光谱图像研究的一个重要的预处理步骤。目前降维的方法可分为三类:基于监督的降维算法、基于半监督的降维算法和基于无监督的降维算法。在基于监督学习的方法上,针对稀疏表示的局限性引入低秩表示,在获取数据局部信息的同时捕获其全局结构信息,这样可以更有效的利用高光谱图像的光谱信息;在基于半监督学习的降维方法上,在关注标记样本的同时关注未标记的样本,利用无标签数据的类结构信息,从而捕获整个数据的局部几何信息。文章在基于监督方法和半监督方法上分别做了如下改进:1)在基于监督学习的降维算法方面,论文提出了基于低秩增强的加权稀疏图降维算法。该算法的基本思路是通过加权稀疏表达来强化稀疏表示字典中一些相关原子的局部重要性,同时又通过引入系数矩阵的低秩约束来强调相关原子的全局重要性,并且通过惩罚参数来取得二者之间的平衡。在算法的实现过程中,我们通过加权1范数来实现加权稀疏表示,而通过加权核范数来实现系数矩阵的低秩约束同时通过权重来强化较大奇异值所对应的向量在低秩空间的重要性。在PaviaU和Indian Pines公开数据集上的实验结果证明,论文所提算法的性能指标和视觉效果均优于目前一些主流的基于监督的降维算法。2)在基于半监督学习的降维算法方面,论文提出了基于类概率的半监督降维算法。该算法首先利用有标签数据来构建每一类样本在低维嵌入空间的表示矩阵,然后通过无标签数据在各类低维空间的重构误差来获得其类别信息。根据类别信息来分别构建有标签数据和无标签数据的类间和类内散度矩阵,并通过比例参数形成一个总的更具判别能力的散度矩阵,最后通过泛化特征分解得到投影矩阵。Salinas和PaviaU公开数据集上的实验结果表明,论文所提算法在分类效果上优于目前一些最新的基于半监督的降维算法。