高光谱图像异常检测是遥感图像领域中最重要的研究课题之一,具有十分重要的理论和应用价值。因此,如何实现高效的高光谱图像空谱特征提取及异常检测是本课题的研究重点。高光谱遥感图像有几十甚至上百个连续的光谱通道和丰富的空间结构信息,但也存在波段间高度相关、空间分辨率不足的问题,导致传统特征提取方法在复杂空谱结构上的表征能力差。本文从子空间表示和特征提取等角度出发,提出了多种高光谱遥感图像异常检测算法,较好地解决了高光谱图像空间和光谱信息融合问题。其中,本文主要的工作概况如下:协同表示算法利用从背景中选取的字典原子的线性组合来近似表示中心像素,并通过中心像元的协同表示与其实际光谱值之间的距离来判断其为异常像素的可能性大小。协同表示以其优异的异常检测性能在高光谱图像异常检测问题上被广泛地运用。因此,本文提出了一种采用异常值去除策略的核协同表示异常检测算法,考虑了最近邻子空间内像素间的空间结构信息,具体解决思路如下:首先,通过一个线性或非线性的核函数将原始高光谱遥感数据映射到高维特征空间,增加目标像素与背景像素的可分性。然后,为改善协同表示检测器的背景像素集含有杂质的问题,利用异常值移除策略增强正则化子空间内的背景像素集的空间一致性,并用最近邻正则化子空间内邻域像素集的空间一致的核协同表示近似值来线性表示被测像素,返回被测像素与其邻域之间的相似性度量。在通过上述方法得到异常目标初始检测图后,利用高光谱图像的空间-光谱信息优化初始检测图,从而得到更精确地检测结果。谱图理论可以将图像映射到拓扑图上,用图节点来表示像素强度,从而不需要对高光谱图像的背景分布作特定的假设,克服了其他基于协方差的异常检测器需要估计和反演协方差矩阵的局限性。因此,本文提出了一个同时利用光谱和空间信息构图的异常检测方法。首先根据高光谱图像的波段相关性对原始高光谱数据分波段采取均值融合的策略减少波段冗余、降低计算成本,且为后续图的构造提供更有效的协变量。不同于传统协变量相关图的构造,所提方法联合空间信息和光谱信息构造了空谱协变量相关图,并在局部领域内对构造的空谱协变量相关图进行相似性度量。拉普拉斯图异常检测是一种全局的图异常检测方法,将空谱协变量相关图的局部检测结果与拉普拉斯图异常检测的全局检测结果进行差分融合,充分利用了高光谱图像的全局和局部领域信息,最终得到有效且鲁棒的检测结果。综上所述,本文利用了多种空谱特征提取方法,设计了有效地高光谱图像异常检测算法。通过仿真数据集以及真实高光谱数据集上与其他经典高光谱异常检测算法的对比实验验证所提算法的鲁棒检测性能,并分析了所提算法的参数因子的影响,为高光谱遥感图像异常检测问题提供了新的解决思路。