高光谱遥感影像具有光谱分辨率高,图谱合一等优势。光谱分辨率高意味着图像成像通道更窄更连续,因此地物的光谱信息更加丰富。这些优势使得高光谱图像在实际应用中可以更好的区分不同地物间细微的光谱差异性,因此利用高光谱图像进行目标检测具有更加明显的优势。本文从背景估计及背景抑制方面入手,对高光谱异常目标检测,目标检测方法进行研究,为解决异常目标检测中背景统计信息估计不准确,高光谱图像表达与分解精度提高及目标检测中背景字典构造准确性等问题提供一些解题思路。针对高光谱异常目标检测中,背景统计信息估计不准确的问题,本文提出一种基于背景纯化的框架,该框架的目的是通过获取纯净的背景像素集来进一步准确地估计背景统计信息,简称BPB（background purification based）框架。为验证所提方法的有效性,本文基于此框架修改了三种算法。实验证明,相较于传统算法,结合该框架的异常目标检测方法性能有较好的提升。针对基于低秩稀疏分解（low rank and sparse matrix decomposition,LRa SMD）的高光谱异常检测算法的图像表示模型及矩阵迭代规则做出改进,本文提出了一种基于改进的低秩稀疏矩阵分解的高光谱异常目标检测方法,简称PRLRa SAD（parts-representation based low rank and sparse matrix decomposition）。PRLRa SAD方法基于更加细化的图像表示模型,推导新的矩阵更新迭代规则,以期获得精准的低秩稀疏部分分解结果,进而提高异常目标检测性能。通过实验证明,本文所提方法有效地提高了低秩与稀疏部分的分离程度和分解准确度,进而提高异常目标检测器的检测精度。针对稀疏表示与字典学习中对于回形窗口大小敏感及全局字典构造准确性问题。提出一种改进的背景字典重构方法。其中,局部背景字典重构方法以抑制目标信息后图像内的回形窗所包含元素构造局部背景字典。全局背景字典重构结合基向量提取的方法来构造全局背景字典。实验证明,局部字典重构方法可以改善原局部方法中对于回形窗大小设置敏感问题,全局字典重构方法也有相应的精度提高。本文实验从背景部分入手解决高光谱目标检测问题。改善了一系列背景信息估计不准确,高光谱图像表达及分解精度提高及目标检测中背景字典构造准确性等问题,有效的提高了高光谱异常目标检测及目标检测方法的检测精度。