高光谱遥感影像不仅拥有获取场景的几何信息,由于其“图谱合一”的优势,还具有极为丰富的光谱信息,这使其能更准确地反映地物间的细微差异。高光谱目标检测是像素的二分类问题,其目的是从各种背景中分离出特定的目标像素,是高光谱图像处理中最重要的应用之一。然而在实际应用中,先验知识的缺乏使得非监督的异常目标检测更符合现实需求,并逐渐成为近年来的研究热点。传统的高光谱异常检测算法主要基于背景假设,即假定背景符合某种概率分布,进而设计检测器。然而由于图像分辨率的限制导致的混合像元,异常像素很容易对背景统计造成污染。同时现有算法少有对图像的空间信息加以利用。针对上述检测器中存在的局限性,本文对国内外高光谱异常检测发展现状做出调研,从充分利用高光谱图像的空间信息入手,设计空谱联合的高光谱异常检测算法,为解决高光谱异常检测任务中背景异常分离困难的问题,以及缺少空间限制导致检测精度不佳等问题提供解决方案。针对基于低秩稀疏矩阵分解框架的异常检测算法时间成本较高,且没有利用空间信息的问题,本文提出一种基于拓展多属性剖面和贪婪双边滤波的快速高光谱异常检测算法（Hyperspectral anomaly detector based on greedy bilateral smoothing and extended multi-attribute profile,GBSAED）。该算法应用贪婪双边分解提取图像低秩信息,以双边因子交替优化的形式降低运算成本,并应用拓展多属性剖面限制异常目标的形态。实验结果证明,本文所提出的GBSAED算法在大幅提高运行效率的同时,极大地降低了虚警,精准的分离了背景与异常,提高了检测的精度。针对小目标及多目标场景中高光谱形态学方法效果受限的问题,提出了一种基于背景纯化的张量分析结合低秩信息的高光谱异常检测算法,（Hyperspectral Anomaly Detector Based on Tensor Decomposition and Reconstruction Combined with Greedy Bilateral Smoothing,TGBD）。该算法对高光谱图像进行三维张量表示以及分解,通过奇异值能量累积法在不同模式的因子矩阵中自动截断主成分,完成高阶主成分提取,将背景信息纯化。并应用贪婪双边分解算法提取低秩信息并检测异常。实验结果表明,所提出的TGBD算法有效的纯化了背景信息,有效的提高了高光谱异常检测的检测精度。针对现有的高光谱异常检测算法对图像各个区域做同质化处理,不利于利用及有效利用图像空间信息的问题,提出了一种基于视觉注意和局部光谱信息的高光谱异常检测算法,（Hyperspectral Anomaly Detector Based on Visual Attention Model and Local Mahalanobis Distance,VALM）。该算法首先将视觉注意力模型引入对原始图像特征提取形成的少数波段,建立特征金字塔,提取特征图,跨尺度融合后得到空间异常信息。然后计算图像局部马氏距离,融合二者得到检测结果。实验证明,显著性检测的策略有效的利用了高光谱图像的空间信息,有效抑制了虚警,提高了异常检测的精度。