近年来,深度学习通过提取深层特征极大地提升了网络的认知能力,在高光谱图像的特征提取和分类领域中得到了成功的应用。然而,在高光谱图像目标检测领域中,先验目标光谱信息非常稀少,会导致网络无法训练,严重阻碍了深度模型的构建。本文针对该问题,从迁移学习和生成样本两个角度,分析目标光谱特性,设计了两种深度学习目标检测框架,解决了训练样本稀少的问题,论文的主要工作如下:第一,从迁移学习的角度,结合像素配对的思想,利用一个标注好的数据集,生成像素对,根据已有的标签信息,为每个像素对分配新的标签,构建像素对数据集并训练网络,使网络学习像素之间的光谱相似特性。测试时,首先通过线性预测算法在测试图像上寻找与目标光谱差异最大的样本作为背景像素,然后对于一个测试像素而言,分别与目标和背景样本分别配对,送入网络,最后将两组结果进行自适应的融合,得到最终的相似性评分。该方法有效地解决了样本稀缺的问题,并加入了深度像素对相似性特征,增强了网络的检测能力,但该方法需要训练与测试数据的传感器相同,因此限制了使用范围。第二,从生成样本的角度,对基于迁移学习的方法进行改进,利用自编码器输出逼近输入的特性,构建目标样本生成器,并将低级特征与高级特征融合,保留光谱原始的纹理信息。利用线性预测算法,寻找背景样本,并进行数据增强。将取得的目标样本和背景样本进行配对,得到训练样本集。搭建像素对相似性识别网络,并使用两种不同的模式进行实验与分析,选择最优的模式。该方法可以充分利用已知信息,极大地扩充样本,无需参考数据,解决了迁移学习中由传感器不同导致的范围受限问题。