高光谱遥感技术在获取目标的特征信息上具有空间覆盖范围大、光谱覆盖范围广、受场景限制小等优点。由其延伸出的高光谱异常检测技术能够在提前未知目标光谱信息的情况下,实现对异常目标的检测,该技术凭借着无需先验数据的优势,在环境监测、资源勘探等领域中有着广泛应用。本文针对目前高光谱异常检测算法中存在的不足,在高光谱图像特征提取的理论基础上,以自编码器为主要工具,将其与协同表示异常检测器、多元偏态t分布模型两种方法相结合,深入开展了高光谱图像异常检测算法的研究。针对高光谱图像数据量大,冗余信息多的问题,研究实现了一种基于光谱损失函数的栈式降噪自编码器和协同表示的高光谱图像异常检测算法。该算法结合栈式自编码器与降噪自编码器的结构特点,设计了隐藏层神经元数量递减的栈式降噪自编码器网络,并采用光谱散度信息和光谱角度函数作为网络的损失函数对高光谱图像进行特征提取,最后对隐藏层输出的高光谱图像使用协同表示算法实现异常检测。算法中通过对自编码器网络的结构以及损失函数进行改进,提高了自编码器对高光谱图像光谱特征的提取能力,同时减少了原始高光谱图像中噪声等信息的干扰,从而大幅提升协同表示算法的检测速率和检测效果。目前大多数基于偏差的自编码器异常检测算法都局限于采用正态分布模型,算法异常检测性能的提升受到自编码器网络结构的限制。针对这一问题,本文探索新的正态混合均值-方差分布模型来提升自编码器的异常检测性能,研究实现了一种基于自编码器的多元偏态t分布的高光谱图像异常检测算法。算法在本文设计的基于光谱损失函数的栈式降噪自编码器网络基础上,根据半监督学习理论,采用RX算法得到背景高光谱图像用于网络训练,再用训练好的网络计算得到重建误差,最后使用多元偏态t分布模型对重建误差进行建模,依据计算得到的异常评分实现异常检测。本算法在通过自编码器的重建误差实现异常检测的原理基础上,使用多元偏态t分布模型成功提升了自编码器的异常检测性能。为了检验本文算法的实际性能,本文选用多种高光谱图像,与不同的典型算法进行对比实验。结果表明所研究的两种算法均能有效检测出高光谱图像中的异常目标,具有较好的异常检测性能。