高光谱遥感图像在获取地物丰富精细的光谱信息的同时也包含物体的空间结构信息,能发现很多在全色图像和多光谱图像中难以检测到的地物目标,在军用和民用领域发挥着重要的作用。但由于成像环境和采集平台等原因,高光谱图像存在先验信息欠缺、高维小样本、同物异谱以及噪声干扰强等问题,难以达到检测性能和样本数量之间的自适应平衡。针对上述问题,本文面向对地观测中的像元级小目标探测需求,设计了一种联合语义分割、迁移学习、多尺度和级联结构的高光谱目标检测技术,可以充分利用高光谱图像目标和背景在空间域和光谱维上的相对关系,克服单一空间域或光谱维上进行目标检测的缺陷,并缓解样本稀缺、背景复杂等带来的目标检测精度低的问题。本文主要研究内容和创新点如下:(1)为了提高空间域目标检测精度,缓解高光谱遥感图像空间信息缺失问题,提出了一种基于语义分割的空间域检测方法。该方法通过构造空间分布近似同源的AIAS数据集,并利用基于空间特征不变的迁移学习方式训练神经网络参数,提取到目标物体的深层次特征,改善了高光谱图像训练样本不足的问题。此外,该方法建立基于编解码结构的HSN网络,并融合残差结构和通道空间注意力机制,从而增强网络间的信息流动并突出图像中目标的空间特征和位置信息,解决了目标物体先验信息不足和细节纹理边缘信息提取困难问题。实验结果表明HSN网络的提出能够提升7.93%的ACC值,基于深度空间特征检测方法的引入较传统方法能提高1.26%的AUC值。(2)为了增强检测器对光谱变化的稳定性,解决高光谱图像高维冗余且同物异谱现象导致检测复杂度高且精度低的问题,提出了一种基于多尺度的光谱维特征提取方法。该方法利用多尺度技术提取到不同谱段范围的光谱信息特征,并通过串联细粒度不同的谱间特征,一方面能克服原始像元中由于大气干扰引起的光谱失真问题,增强检测结构的鲁棒性。另一方面提取到的特征能够达到9.33倍的谱间降维效果且保留目标和背景具有区分性的光谱特征,从而提高目标检测效率。(3)为了突出目标像元的同时抑制背景信息,解决噪声干扰问题,提出了一种基于空谱联合的级联检测方法。该方法结合了空间域中相邻像素点的空间位置关联性和谱间单个像素点的光谱特性,通过泛化检测器和非线性抑制函数级联形成五级检测结构,增强模型的非线性判别能力。在五组真实高光谱图像数据中,本文提出的算法平均耗时为0.1793s,能够达到99.55%的检测精度和1.42%的虚警率。