高光谱遥感图像具有图谱合一的特性，是图像理解和解译领域的重要研究课题。作为其中重要的研究方向之一，高光谱图像异常目标检测能够充分利用丰富的光谱信息，挖掘背景和目标潜在的统计特性，有能力检测到传统单波段图像和多光谱图像难以辨别的地物目标。近年来，随着高光谱图像异常目标检测在实际应用中的不断深入，以及本身所包含的大数据问题亟待解决，基于因果系统的快速检测显得尤为重要。一方面，传统的高光谱异常目标检测都是在收集并处理整幅高光谱数据后，一次性输出检测结果。这种非因果的处理方式在实际应用时面临着巨大的限制。例如，移动的战车和蔓延的火势等动态目标用常规方式难以实时地检测到。另一方面，接收到的高光谱数据通常较大，而机载和星载上的数据存储器较为有限，巨量数据给有限的存储空间造成了巨大的压力，并且这些数据在下行传输中造成的时间延迟也是可观的。因此，如何构建因果系统，并且在不同因果系统中提升高光谱异常目标检测算法的执行效率和检测精度，是本文的研究重点。本文的主要研究内容如下:
　　1.推扫型是当前成像光谱仪收集数据的主要方式，即逐行扫描收集数据。利用推扫型成像光谱仪设计因果系统，可分为全局逐行因果系统和局部逐行因果系统。基于这两种因果系统，分别提出了基于逐行的全局因果快速RX异常检测算法(Progressive Line Processing of Global Causal Fast RX Anomaly Detection，LCF-GRXD)和局部因果快速RX异常检测算法(Progressive Line Processing of Local Causal Fast RX Anomaly Detection，LCF-LRXD)。首先，LCF-GRXD算法和LCF-LRXD算法都满足因果性。最重要的是，两者的递归公式是严格按照基于协方差矩阵的RX异常检测算法推导，中间没有任何信息泄露，保证了原有的检测精度。并且期间，利用Woodbury求逆引理，递归地更新了背景数据估计均值、协方差矩阵及其逆矩阵，大幅度降低了算法的复杂度。此外，在局部检测中，相比于传统的交叉串行处理进程，LCF-LRXD算法设计了并行多检测轨道，可以同时检测一行数据的所有像元，对于FPGA、GPU等硬件具有很好的可移植性。通过真实高光谱数据仿真实验，在保持检测精度基本不变的条件下，LCF-GRXD算法和LCF-LRXD算法都具有数倍的加速比。
　　2.基于RX异常检测算法设计的因果快速方案仅仅利用了数据的一阶和二阶信息，虽然具有较高的检测效率，但是其检测精度较低。而核RX(Kernel RX，KRX)异常检测算法将高光谱数据映射到特征空间，可以充分挖掘波段之间高阶的统计特性，提供了更高的检测精度。因此，提出了基于局部KRX异常检测器的逐像元因果快速算法(Local Causal Fast KRX Detector,LCF-KRXD)。首先，为了保障逐像元检测系统的因果性，通过局部因果滑动阵列窗建立背景统计模型。其次，为了提高算法的执行效率，将分块矩阵求逆引理和Woodbury引理相结合，使当前时刻核空间中的逆协方差矩阵和背景数据估计均值，由前一时刻递归求解，避免了核协方差矩阵的重复计算和求逆操作，降低了算法的复杂度。通过真实高光谱数据仿真实验，在保持检测精度基本不变的条件下，LCF-KRXD算法具有至少数十倍的加速比。
　　3.核协同表示检测器(Kernel Collaborative Representive Detector,KCRD)基于背景像元能够由邻域数据表示而异常像元不能的理论进行异常目标检测，相比于LCF-KRXD，虽然KCRD算法的计算复杂度较高，但是却具有更高的检测精度。因此，基于KCRD算法，提出了基于逐像元因果系统的快速局部KCRD异常检测算法(Local Causal Fast KCRD，LCF-KCRD)。在逐像元因果系统下，通过递归思想，将核协方差矩阵进行递归表示，避免核协方差矩阵的重复计算。通过将已完成检测的异常值代替像元之间的核运算，对规则化矩阵进行优化，不仅提高了计算速度，其检测精度也有所提升。利用Cholesky分解方法完成矩阵的求逆运算，进一步提高了算法的检测效率。通过真实高光谱数据仿真实验，相比于KCRD算法，LCF-KCRD算法不仅检测结果更加稳定，而且具有更高的检测效率。