高光谱遥感在多种领域被广泛应用,已经成为一种重要的遥感信息获取方式。高光谱数据不仅可以收集物质的丰富光谱信息,还可以反应地物分布的场景信息,结合了光谱维与空间信息,这为像素级与亚像素级的目标检测问题提供了丰富的特征信息,但是对于高光谱目标检测问题而言,强监督学习算法需要精确的标记信息,而提供像素级的标签需要耗费大量人力物力,此外亚像素级目标通常混合多种物质,因此,如何提取更有效的,本质的特征以及处理标记不精确问题是高光谱目标检测的关键问题,本文将高光谱目标检测问题建模为深度多示例学习模型,首先针对样本标记不精确的问题,多示例学习可以利用弱监督信息,避免了像素级的标记工作,其次深度神经网络因其对问题的自适应特征提取能力而被广泛使用,通过对高光谱数据中的光谱维进行深度特征提取,充分挖掘有效信息。本文的主要工作介绍如下:(1)为了解决高光谱目标检测的标记不精确问题,提出了一种基于最大注意力深度多示例学习的高光谱目标检测算法。首先,构建深度多示例学习高光谱目标检测模型,引入多示例学习的弱监督机制与深度神经网络中的注意力机制,把包含目标像素的区域看作正包,非目标区域看作负包,将强监督的高光谱目标检测算法改进为深度多示例学习高光谱目标算法,避免了对精确到像素的强监督信息的依赖。然后,利用深度学习中的一维卷积,充分挖掘物质的光谱特征,再通过max方法挑选注意力权重最大的示例特征作为包的代表,从而映射到包的级别,利用包级别的监督信息完成整体模型的训练。实验结果表明,该算法提高了目标检测的性能,减弱了对监督信息的要求。(2)针对基于最大注意力深度多示例学习高光谱目标检测算法只考虑注意力权重最大的示例的问题,提出了一种基于L1正则约束深度多示例学习的高光谱目标检测算法。通过利用L1正则项的稀疏性,约束注意力机制权重,使得正包中的非目标示例的权重趋近于0,可以综合考虑多个示例的特征,同时引入带平衡因子的交叉熵损失函数,加强正包的损失,处理目标检测中正样本较少的问题。通过在真实的高光谱数据集与仿真高光谱数据集上的实验,证明了本算法的优越性,在正包数据远少于背景时,也可以很好的检测目标。(3)为了充分挖掘包中所有示例的特征信息,提出一种基于混合集成约束深度多示例学习的高光谱目标检测算法。首先,构建示例级别的目标检测网络,致力于实现检测包中每个示例,然后根据示例级别的目标检测网络的检测结果,进行max-mean的集成约束,其次,通过max-min计算包中示例的检测概率的距离,设计距离约束,用于区分正包与负包。实验结果表明,该算法性能优异,显著提升了检测指标,有效的学习到了更多的示例特征。