高光谱图像是一种具有很高光谱分辨率的新型遥感数据。在实际高光谱影像处理和分析工作中,光谱影像丰富的光谱信息为地物的边界和地物目标的检测识别提供了良好的条件。其中的异常检测算法,能在没有先验光谱信息的情况下,检测到与周围环境存在光谱差异的目标,具有较强的实用性,是目标检测领域的研究热点。本文在深入分析高光谱数据特点及异常检测算法的基础上,针对高光谱图像异常检测中存在的高数据维、非线性信息提取、背景干扰、混合像元等问题做了以下几方面的研究。1.在研究高光谱图像数据降维技术的基础上,采用了一种基于经验模态分析的高光谱数据融合方法。该方法以高光谱图像自适应子空间分解后的各子空间为处理单元,通过对子空间内各波段图像进行希尔伯特黄变换,提取代表细节的小尺度信息进行图像融合。将融合后的图像用于异常检测,不仅极大地降低了高光谱图像的数据量,而且能够有效地提取图像的细节。信息,提高检测概率。2.提出了一种基于背景抑制及顶点成分分析的高光谱异常小目标检测方法。该算法结合了异常目标的分布有较强稀疏性和奇异性的特点,在大面积背景抑制的基础上,应用顶点成分分析方法提取异常信息,并采用光谱角匹配进行异常检测。该算法去除了背景干扰,有效提取出了异常信息。3.在对核函数方法理论深入研究的基础上,采用了基于混合核函数的正交子空间投影异常检测算法。该算法在图像的高维特征空间中进行目标点的循环检测,将图像投影到目标构成的正交子空间上,来消除异常点及抑制背景。另外,在用核函数的性质进行特征空间的内积运算转化时,进一步对算法进行了改进,运用了光谱核函数和径向基核函数的线性组合,减弱了高光谱图像同物异谱现象引起的能量差异对检测精度的影响。4.在研究了基于核的特征提取算法基础上,给出了一种基于聚类与核主成份分析的高光谱图像异常检测方法。通过聚类算法提取出具有代表性的聚类中心,然后将核化的主成份分析算法作用于聚类中心,提取出特征信息,在此基础上进行目标检测。该算法用更有代表性的聚类中心作为输入,减少了样本点的数目,降低了核算法的计算量。结合核主成份分析法后有效地提取出了特征向量,进一步提高了异常检测的性能。实验证明了在提取特征及异常目标检测方面的优势。