相较于传统彩色图像,高光谱图像不仅存储了所拍摄目标的空间分布信息,还存储了目标的光谱信息,能够用于区分物体之间细微的差异,因此高光谱图像在目标检测等计算机视觉领域有着重大的作用。在实际应用方面高光谱图像可以用于战场上,对敌方伪装目标进行检测,实现战场环境的准确感知;用于医学中,可以检测肿瘤组织,为病理医生提供分析结果。但是由于成像光谱技术的逐渐成熟,获取的高光谱图像的光谱分辨率不断提升,与此同时它的数据量也越来越大,从而提升了数据特征提取难度。对于传统高光谱目标检测算法一般先对高光谱图像进行压缩处理,然后采用先验知识进行目标分析。但存在特征向量求取困难,计算量大,或对大目标检测精度低。而神经网络模型,以参数模拟人脑神经元的方式,能够有效的挖掘高光谱图像的高维数据特征,并且通过不同的深度的特征信息,可以提升不同目标大小的检测能力。因此本文考虑将神经网络引入到高光谱目标检测任务中,通过搭建深度神经网络模型挖掘高光谱图像特征信息,解决高光谱目标检测系统算法模块的问题。本论文主要设计并实现了一个基于神经网络的高光谱目标检测系统。首先介绍了高光谱目标检测系统的设计及实现当中所需要的理论与技术,包括高光谱图像特性、卷积神经网络的组成和训练过程、一阶和二阶目标检测模型。对系统进行了需求分析,并对高光谱目标检测系统的功能性需求进行总结,系统需求分为六大模块:数据管理模块、模型管理模块、图像展示模块、高光谱目标检测模块、目标特性分析模块、系统管理模块。其次对系统中所使用到的目标检测算法进行研究,提出了一种基于神经网络的高光谱目标检测模型。模型采用一阶目标检测模型结构,在特征提取模块,针对高光谱图像的光谱特性,增加注意力机制以提升目标特征提取效果,另外对模型输出模块进解耦,将目标类别与目标框坐标分别进行预测输出,以提升目标检测精度。实验证明算法改进使得目标检测效果8)50值提升了3.57%,由此可见神经网络方法能够完成高光谱目标检测任务,可以有效的满足系统性能。随后对系统应用架构设计、系统功能结构设计和系统数据库设计进行阐述,对系统需求中的六个模块中的每个功能点进行具体的设计与实现。最后,本文对设计实现的高光谱目标检测系统的主要功能点进行了测试。主要测试系统中RGB图像模拟生成高光谱图像功能、高光谱图像目标检测功能和目标光谱曲线提取展示功能等。最终进行系统性能测试,对高光谱图像目标检测耗时进行分析,结果表明本文实现的高光谱目标检测系统能快速高效地对特定目标进行检测。