高光谱成像通过将成像探测技术与光谱探测技术有效结合,利用几十甚至上百个近似连续光谱波段对同一探测区域进行成像,从而获得包含多种空-谱信息的三维高光谱数据。高光谱异常检测由于无需目标先验光谱知识便可检测到与背景有较大差异的异常目标,在环境、农业、水文、军事等多个领域有着广泛的应用,已经成为高光谱图像处理中的一个重要方向。本文针对当前部分异常检测算法对于高光谱图像多种特征利用不足的问题,从有效挖掘异常目标新型特性和合理利用多种特征的角度出发,开展了基于多特征表示的异常检测算法研究。针对高光谱图像中单个特征无法全面描述目标真实属性的问题,研究实现了基于空-谱联合显著性特征表达的异常检测算法。首先对空-谱联合特征提取方法进行优化,通过联合双窗结构与改进光谱距离计算的光谱特征提取方法完成光谱特征的提取,同时通过基于数据降维与曲率滤波的空间特征提取方法完成空间特征的提取,其次联合两种不同属性特征获得空-谱初始特征。而后通过分析异常目标的显著性特性,以进一步研究改进高光谱显著性特征检测算法,在空-谱联合初始特征图的基础上完成后续检测。该算法通过联合高光谱空间特征、光谱特征以及显著性特征,有效提升了检测性能。针对基于协同表示的异常检测算法对于高光谱图像二维空间特征利用不足、异常目标对背景字典的污染问题,研究实现了基于多特征联合三边滤波与协同表示的异常检测算法。该算法中通过结合空间欧式距离特征、光谱向量特征、二维局部结构特征对三边滤波进行优化、改进,得到适用于高光谱图像的多特征联合三边滤波来完成可能异常目标的初步定位,在此基础之上进行异常剔除和背景填充,以获得纯化背景。最后利用纯化背景和原始高光谱图像进行联合协同表示完成检测。算法将多种空-谱特征引入协同表示中,提升了检测精度。为检验本文算法检测性能,选取七种经典异常检测算法作为对比算法,在不同高光谱图像数据集上完成仿真实验,并通过不同评价方式对算法检测性能进行分析。综合实验结果表明,本文两种算法可以有效综合利用多种特征,具有良好的异常检测性能。