高光谱图像描述是对高光谱图像进行有效分类和目标探测的基础。成像设备技术的发展,使得高分辨率高光谱图像的空谱域局部特征能够提供更丰富的图像信息。本文结合高分辨高光谱图像的特性,对基于空谱域局部特征的高光谱图像描述的关键技术展开深入研究,并将其应用于高分辨率高光谱图像目标探测。主要工作包括以下四个方面:（1）提出了一种基于几何代数的高光谱图像空谱域SURF特征检测和描述算法。特征点检测是高光谱图像描述,进而实现精准分类与目标探测的前提。我们从高光谱数据特点出发,采用几何代数作为数学分析工具,建立了高光谱图像空谱域表示模型;在该模型上,提出了一种高光谱图像几何代数空间的Hessian矩阵生成方法。在此基础上,提出了一种基于几何代数的高光谱图像空谱域SURF特征检测和描述算法,增强了局部特征的独特性和仿射不变性,提高了高光谱图像局部描述的准确性。（2）提出了一种二维图像的双局部约束线性编码算法和一种高光谱图像的空谱域双局部约束线性编码算法。图像局部特征约束性编码是局部特征与视觉词汇向量之间的联系纽带,是基于局部描述进行图像分类和目标探测的核心步骤。本文利用局部特征点空间的相关性,引入一种二维图像的双局部约束线性编码算法,降低了特征点与词典单词之间映射的模糊性,增强了对二维图像的表示能力。在此基础上,进一步提出了一种高光谱图像上的空谱域双局部约束线性编码算法,该算法在利用视觉单词对高光谱图像局部特征线性约束的同时,引入了高光谱图像的相邻波段的局部相关信息,并将其作为特征点到词典单词映射的判别约束。该算法将兴趣点邻域的空间信息和光谱信息结合起来,减少了特征编码过程中同义性和多义性问题,增强了对高光谱图像的描述能力。（3）提出了高光谱图像空谱域金字塔匹配模型和梯度方向金字塔匹配模型。优化特征组合能够提高特征向量对图像的表达力,是高光谱图像描述领域的一个重要课题。目前常用的高光谱图像局部特征组合模型,是经典的空间金字塔匹配模型。空间金字塔匹配模型,对高光谱图像在空间域进行切分,在细分空间内对特征进行组合,能够将空间信息编码到特征向量中。然而,这种简单的切分方式忽略了光谱域分布和光谱域相关性等局部特征的重要信息,导致传统特征组合模型鲁棒性不高。针对一般的高光谱图像和纹理或者形状非常接近的物体的高光谱图像,我们利用高光谱图像空谱域相关性和梯度信息,分别设计出两种不同的局部特征组合方式,即高光谱图像空谱域金字塔匹配模型和梯度方向金字塔匹配模型,提升图像表示的准确性。（4）提出了一种基于多尺度区域匹配的高分辨率高光谱图像的目标探测算法。传统的高光谱图像目标探测算法主要是面向低分辨率的卫星遥感高光谱图像,难以有效的处理高分辨率高光谱图像。基于多尺度区域匹配的高分辨率高光谱图像的目标探测算法,基于高分辨率高光谱图像的区域相关信息,利用前述章节提出的高光谱图像描述技术,采用滑动窗口遍历高光谱图像,通过空谱域立体匹配模型在滑动窗口内搜索疑似目标区域。在疑似目标区域采用更小尺度的滑动窗口进行目标探测,通过融合多尺度窗口区域和目标的相似度精确定位目标。提升目标识别的性能,以增强目标识别的准确性和鲁棒性。