高光谱图像中蕴含丰富的空间和光谱信息,在目标检测领域具有巨大的优势,这激发了高光谱图像目标检测技术研究和快速发展,采用高光谱图像进行目标检测的优势有:数据的波段数目较多,光谱特征更加丰富详细,检测、识别的能力较高,而且可以区分地物间的细微差异;可以有效提取各地物的辐射特性参量,极大地增加了对目标地物定量分析的成功率。但是也存在光谱不确定、信息冗余增加等问题。本文主要针对高光谱图像目标检测中的相关问题进行展开,论文的主要工作和成果如下:(1)介绍并分析现有的代表性遥感图像目标检测方法。根据高光谱图像的特点,介绍了高光谱图像目标检测的相关概念;主要介绍了四种遥感图像目标检测方法,对此四种方法进行阐述并进行优缺点分析。(2)介绍并分析了高光谱数据的三种模型,总结了高光谱目标检测的一般过程,并对经典的基于概率统计模型和基于子空间模型的几种算法进行了学习与比较。(3)将稀疏表示和传统目标检测算法相结合,提出基于稀疏表示系数的高光谱图像目标检测算法。假设光谱数据服从某种概率地分布在一个多维空间上,利用样本对分布中的统计量进行合理估计并进行相关分析。借助传统的基于概率表示模型的目标检测算法的架构,实现本文的基于稀疏表示系数的目标检测算法。首先利用混合像元解混技术和无监督聚类技术对字典进行构建,并利用贪婪算法求解对应的稀疏表示系数。借助检测器对稀疏表示后的系数进行决策,最终根据决策结果值与阈值之间的大小关系判断像素的类别。采用真实高光谱图像数据的实验结果说明,与经典的传统检测方法算法和基于稀疏表示的代表性检测算法相比,稀疏表示与传统检测算法相结合的算法具有更好的检测效果。