高光谱遥感技术是二十世纪六十年代兴起的一种非接触式探测技术,其光谱分辨率在10nm到20nm左右。高光谱图像的波段数目众多,可为目标检测、识别和分类等应用提供大量的信息,因此基于高光谱的图像处理受到越来越多的关注。其中高光谱异常检测属于未知目标先验信息的目标检测,相比已知先验信息的目标检测更具有实际应用价值,所以近年来得到较为广泛的研究。本文在高光谱图像数据特点、稀疏表示和协同表示的理论基础上,重点研究了背景字典的模型构建与纯化,将构建的背景字典与稀疏表示、协同表示理论相结合,研究提出了两种高光谱异常检测算法,并进行了相应的仿真验证,实验结果表明所提算法有效地提高了异常检测的精度。针对高光谱异常检测精度低的问题,研究提出了基于字典随机子空间协同表示的异常检测算法。该算法首先选用均值漂移方法进行聚类处理,其次对分类结果进行筛选以避免背景字典被污染。鉴于异常和噪声在高光谱图像中占比极小,导致聚类后像素数目较小的类别往往是由异常或者噪声构成,因此剔除这些类别可利于构建纯净的背景字典。然后,为了选取相似度接近的像素,对上述处理得到的地物类别中的每个像素计算其与聚类中心点像素的距离,并选择与聚类中心最近的部分像素作为原子来构建背景字典。最后,再用构建的背景字典对原始的高光谱图像中的每个像素进行协同表示,进而得到异常检测的结果。针对背景字典中存在异常像素污染的问题,研究提出了基于可能异常字典的构建和稀疏表示结合的高光谱异常检测算法。从原始的高光谱图像中分别构建异常和背景字典,首先通过基于空间距离权重和光谱欧氏距离权重的双边滤波去除原始高光谱图像中可能的异常和噪声,并利用原始高光谱图像和滤波结果图像的差值图构建可能的异常字典并进行纯化。其次,通过二分K-均值聚类从原始高光谱图像中构建背景字典并进行纯化。然后,再利用构建的异常字典与背景字典对原始高光谱图像中的每个像素进行稀疏表示,并运用判断准则来实现异常判别,从而实现异常检测。为了验证所提算法的性能,本文采用高光谱数据集ABU和San Diego对所研究提出的两种算法分别进行了仿真对比实验,并进行了相应的主观和客观评价。仿真实验结果分析表明,所研究的两种算法均能有效地减少背景字典中存在异常像素的可能,提高异常的检测精度。