高光谱图像是利用先进的传感器技术和成像系统得到的,由于高光谱图像数据在社会生活的诸多领域有着广泛应用前景,对于高光谱图像的分析与处理已经成为遥感影像研究领域的研究热点。高光谱图像目标检测与分类是高光谱图像技术的两个最主要分支。然而在高光谱图像目标检测任务中,现有方法不能够有效利用所输入高光谱数据自身的背景轮廓结构信息;与此同时,现有高光谱分类算法没有考虑到非邻域像素的相关性对分类结果的影响,从而导致最终的分类精度得不到保证。因此本文就高光谱图像目标检测和分类过程中面临的问题提出相应的解决思路和方法。本文的主要工作如下:(1)提出了一种基于背景结构辅助的高光谱图像目标检测方法,充分使用高光谱数据的背景轮廓结构信息作为辅助来完成对目标物体的检测任务。先选择一种已有的效率相对较高且算法复杂度相对较低的高光谱图像目标检测方法获取一个初始检测结果。使用融合成分分析与综合稀疏表示的图像分解方法来获取经过主成分分析降维之后的高光谱图像数据的背景轮廓结构信息。将获得的背景轮廓结构信息与前面得到的初始检测结果相结合,滤除非目标区域的虚警进而获得修正后的最终目标检测结果。通过在真实数据上进行对比实验可以看出,所提出的基于背景结构辅助的高光谱图像目标检测方法得到的最终目标检测结果的虚警率降低并且准确率明显提高。(2)提出了一种基于循环神经网络的高光谱图像分类方法,整合了高光谱图像数据的纹理和形态特征,同时引入了非邻域像素特征思想。对降维后的高光谱图像提取它的纹理和形态特征,再将提出来的纹理及形态特征利用多特征融合Stracking集成方法整合构造出高光谱图像的邻域像素特征进而通过K最近邻算法构造出非邻域像素特征。在引入一个深度学习循环神经网络框架的基础上,将构造的非邻域特征作为其输入来优化系统参数。最后将循环神经网络生成的最终图像特征输入到softmax层进而完成最终的高光谱图像分类。非邻域像素特征既保留了邻域像素特征的优良性质,同时又增加了特征包含的信息量,从而有效提高高光谱图像的分类正确率。通过在公开的数据集上实验,将该分类方法与其他几种结合了深度学习框架的高光谱图像方法的结果进行了对比,实验结果表明,本文提出的基于循环神经网络的高光谱图像分类方法的在总体精度、平均精度及Kappa系数三个指标上都是最突出的。