过去三十年来,随着航空航天技术和成像光谱仪技术的飞速发展,基于高光谱遥感的对地观测方式引起了人们越来越多的关注。相比于传统的遥感影像,高光谱影像的最大特点是能够同时获取地物的空间和光谱信息,这为我们准确、定量地分析地物特性提供了支撑。异常检测是高光谱遥感领域的重要研究课题之一,它能够在没有任何先验知识的条件下寻找出和周围背景具有光谱差异的感兴趣目标。然而,场景中复杂的背景成分,存在的亚像元异常以及较小面积的背景区域等都会对许多现有异常检测算法的性能表现造成一定的影响。为了克服或缓解以上所提到的这些问题,本论文从光谱差异和空间分布特征两个方面同时考虑,设计了两种新的异常检测算法和一种新的算法性能提升策略,从一定程度上推动了高光谱异常检测领域的向前发展。论文的主要成果包括:1)提出了一种基于背景估计和自适应加权稀疏表示的高光谱异常检测算法。该算法的基本思路是基于一个背景过完备字典,图像中的背景像元光谱可以被较好地重构出来,而异常像元光谱则无法完成近似重构,然后我们根据重构误差就可以区分背景和异常。为了准确构建背景字典,算法中使用了一种结合端元提取方法和结构元素遍历的新策略。而为了进一步增加检测结果中背景和异常之间的区分度,算法基于得到的异常端元丰度图像集合从全局和局部出发分别对结果进行了自适应加权,最终获得更加准确合理的检测图像。在三幅高光谱数据集上的实验结果验证了该算法相比其他一些现有检测算法具有更加优越的检测性能,尤其表现在对全局背景响应能量的抑制上,同时算法对参数变化也具有相当强的鲁棒性。2)提出了一种结合低秩-稀疏矩阵分解和聚类加权的高光谱异常检测算法。考虑到高光谱图像中背景成分的低秩特性以及异常目标的稀疏特性,该算法使用低秩-稀疏矩阵分解技术对高光谱图像进行了分解。由于得到的稀疏部分中包含了大量的异常信息,所以算法根据该部分得到初始检测结果。另外,因为在稀疏部分上一些小面积的背景区域可能也存在较大的响应能量,从而会在一定程度上影响算法的检测性能,因此算法中加入了一个聚类加权过程用来定位背景区域并对区域内的像元赋予相应的权重。最终算法得到一个加权之后的检测结果。在三幅高光谱数据集上的实验结果显示了算法能够有效缓解小面积背景区域对检测结果造成的影响,相比现有的若干经典检测器,该算法拥有更加出色的检测性能,另外在计算效率以及对不同参数变化的鲁棒性方面算法也有着较好的表现。3)提出了一种基于张量分解和聚类加权的高光谱异常检测性能提升策略。该策略是一种模块化方法,可以作为一个后处理过程装备到任意算法的检测结果上,用以提升其检测性能。算法中引入了张量分解方法,能够在保持原始数据内在空间结构信息的同时去除其中的主要背景信息,因此在分解之后的剩余部分上异常和背景之间具有更显著的光谱差异。之后该策略在剩余部分使用一种参数自适应的k聚类算法,并对聚类图像做分割处理,接下来根据一个改进的高斯权重函数对分割图像的每个像元赋予相应的权重,最后获得一个权重矩阵。该矩阵可以和已有算法的输出结果相结合,以达到其检测性能提升的效果。在两幅高光谱数据集上的实验证实了该策略能够准确定位背景位置并对它们施加抑制,从而提升算法的检测性能。此外,策略对参数变化以及不同的噪声条件也表现出了较强的鲁棒性和适应性。