由于独特的成像技术,高光谱图像数据呈三维立方体结构,包含了丰富光谱信息,并且在生物医学分子检测、植被生态监测、食品安全检测等领域获得广泛应用,其中目标检测是最重要且广泛的应用之一。然而,由于GPS定位的精度问题,高光谱图像中被标记为目标的像素点与地面真值中的目标位置并不一致,存在一定的偏差。真实的目标一般会存在于包含该像素一定范围的区域内。此外,目标像素和非目标像素在数量上存在严重的不平衡也是高光谱目标检测的难点之一。因此,有效地利用高光谱图像的光谱信息和不精确标签成为了实现目标精准检测的关键。本文通过多示例学习（Multiple-instance learning,MIL）的弱监督思想将高光谱不精确标记问题建模为多示例问题,将包含目标的区域建模为正包,其他不包含目标的区域标记为负包,并分别结合深度学习和机器学习,从不同的角度提出两种多示例高光谱目标检测算法。本文的工作内容如下:（1）针对高光谱图像存在的不精确标记问题,提出了一种基于自适应深度多示例神经网络的高光谱目标检测算法。该算法设计了一种考试选拔机制,首先将包级别标签赋值给包中的每个示例构建示例标签,训练一个初始的示例级分类网络,之后使用该网络对训练样本集示例进行检测,通过考试选拔机制计算的评分标准与示例的置信度得分进行比较,挑选正示例,更新示例标签,再使用新标签重新训练网络,以此迭代进行,直到达到迭代最大次数或者评价指标不再上升停止迭代,输出最终的分类器。为了增强光谱特征的判别性,该算法搭建了深度特征提取网络,利用多层一维卷积网络提取每个像素的高层特征,结合BN层对特征进行归一化加快训练速度,最大池化层用于特征降维,在一定程度上去除冗余。实验结果证明了该算法在高光谱目标检测任务上是可行的。（2）在解决不精确标记问题的基础上,为了缓解样本不平衡问题和提升算法时效性,第二个工作结合多示例学习思想和XGBoost算法,提出了一种基于多示例XGBoost的目标检测算法。该算法将不精确标记的高光谱数据构建为包的形式,将正包中未知的示例标签看作优化变量,建立概率模型。在优化非凸的目标函数时,引入确定性退火方法将模型目标函数看作系统自由能,同时为需要优化的示例标签概率分布构建熵,在模拟退火的过程中,随着温度不断降低,分两步对模型和示例标签进行优化,通过最小化包中概率分布的熵得到示例的标签,再使用新标签迭代地更新模型,直到温度参数降至低温阈值之下,迭代结束,得到最终的多示例XGBoost检测模型。同时在模型设计时微调了训练样本的权重以缓和样本不平衡带来的困难。实验结果表明,确定性退火方法对标签的优化是有效的,多示例XGBoost模型通过迭代更新,能够得到很好的检测结果,并且模型时间复杂度非常低。