在高光谱遥感及其数据分析技术快速发展的今天,对成像光谱仪获取的高光谱图像进行目标检测逐渐成为了学科中的重要研究方向之一。尤其是结合了人类视觉机制的显著性目标检测,它能够使得场景中的目标从背景中脱颖而出,无需人工干预,因此具有很强的实用性。传统的显著性目标检测算法一般采用的是直接降维结合差分的方式,往往会损失图像信息,对显著目标的特征提取不充足。因此如何充分利用高光谱数据的空谱信息,实现复杂场景中显著区域的快速定位,是当前应用中亟待解决的问题。卷积神经网络作为深度学习的代表算法之一,能够从高光谱数据中提取一般性很强的高维特征,而这些特征对数据分析有着很大帮助。因此,本文针对传统算法的不足之处,结合计算机视觉领域的技术,从高光谱图像图谱合一的特点出发,提出了结合深度网络的显著性目标检测算法,并利用公开的数据集HS-SOD与所采集的数据SDA进行了仿真实验。具体工作内容如下:1.研究了高光谱遥感技术的发展现状;介绍了高光谱目标检测以及显著性目标检测的详细概念。2.简要说明了高光谱图像的数据格式以及数据采集方式;给出了用于显著性检测的公开数据集的基本信息;构建目标场景,然后使用SWIR-384光谱仪进行高光谱图像的采集,并用于后续的算法实验及对比;详细介绍了显著性目标检测的传统算法以及评价指标。3.针对传统显著性目标检测算法的问题,本文提出了一种基于弱监督深度学习的目标检测算法(SWDL)。该算法尝试用卷积神经网络去提取显著性目标的深度特征,并解决了卷积神经网络训练所需人工标注信息的问题。该算法结合了低秩矩阵恢复的方法,并通过三维卷积神经网络提取像素的空谱特征,对像素进行显著性定义。结果表明,本文提出的算法在HS-SOD数据集上的平均AUC值和F-measure值分别达到了85%与88%,都优于其他对比算法,有着更好的检测效果。4.针对SWDL算法速度较慢的问题,本文结合无监督图像分割网络提出了一种基于无监督分割网络(SDUN)的检测算法。SWDL算法通过卷积神经网络提取特征的能力固然很优秀,但是训练的过程仍然耗费了大量的时间。SDUN算法基于无监督图像分割网络,同时加以一维卷积与二维卷积进行降维与特征提取的过程,然后利用流形排序的技术获取图像的显著性结果。该过程是一个自迭代的过程,无需进行网络的训练。经过实验得出该算法在HS-SOD数据集上的平均AUC值和F-measure值分别达到了89%与94%,相比下有着不错的检测效果,且能大幅减少计算时间。本文研究了高光谱图像显著性目标检测的问题,分析了传统算法的不足,提出了两种结合了深度网络的显著性目标检测算法,并在HS-SOD数据集与SDA数据集上进行了实验。实验结果表明,本论文算法在HS-SOD数据集与SDA数据集上的检测效果较传统算法有着不同程度上的提升。针对不同的应用对检测效果或计算速度的要求,两种算法各有其优势。