高光谱遥感将成像技术与光谱技术有效结合,反映地物二维空间分布的同时,获取几百乃至上千个窄波段的连续光谱信息。这种成像方式为地物属性分析方法提供更细微的原始地物成分信息,能够实现以更高的可信度进行地物目标检测或识别。目标检测根据是否需要先验信息,可大体分为光谱匹配检测和异常检测两类,其中,异常检测无需监督信息,具有更广泛的应用。异常检测算法通过分析待测像元与背景统计特性或背景后验信息之间的差异程度来确定待测像元的属性。现阶段,随着遥感图像空间分辨率的增大,高光谱数据中的空间信息不容忽视。合理联合空间信息和光谱信息,利用邻域信息空间相关性及相似性,可减缓背景中异常信息的干扰,增强异常目标与背景的可分性,有效提升异常检测精确度;高光谱图像的数据量巨大,且充分考虑空谱信息的同时,带来更大的计算复杂度。因此,如何保证原有数据信息不丢失的情况下,深入挖掘潜在有用信息,并保持较高的检测效率,成为高光谱图像异常检测研究的重点与难点。基于上述问题,本文主要研究高光谱图像空谱联合异常检测算法及其GPU并行处理方法,充分挖掘高光谱图像潜在空间信息,并与光谱信息结合,有效提升算法检测精度,同时设计基于GPU/CUDA的并行系统架构,利用GPU平台强大的通用计算能力和高存储带宽的优势,实现算法的高效处理。本文主要研究内容如下:首先,经典的KRX算法充分利用波段间的非线性信息,获得了较好的检测性能。然而,高光谱图像分辨率的增大,使得背景信息容易被异常污染,过多的异常干扰将导致背景核矩阵退化,影响异常检测精度,并且大量的非线性核运算及协方差矩阵求逆过程,导致算法耗时严重。针对上述问题,提出一种基于加权空谱联合KRX异常检测算法及其GPU并行处理方法。通过待测像元重构及组合核映射方式,有效减少背景中异常干扰,改善背景与异常的可分性。同时针对算法特性,设计GPU/CUDA模型下的并行处理方法,有效提升算法的执行效率。其次,针对真实地物特性难以满足经典统计学算法中高斯分布模型假设的问题,提出一种基于空谱联合的核光谱角异常检测算法及其GPU并行处理方法。该算法无需背景假设模型约束,且弥补光谱角匹配异常检测算法中信息利用不充分的不足。采用非线性核映射函数,将待测像元邻域内的核光谱角距离进行累加,并通过扩展形态学进行异常修正,去除噪声干扰,降低虚警率。最后利用CPU的逻辑控制能力与GPU强大并行处理能力,设计并行处理模型。优化线程映射方式,降低主机与设备间交互开销,优化后的并行算法可明显提升算法执行效率,满足海量数据高效处理需求。最后,针对高光谱图像背景信息中的噪声及异常点干扰,导致光谱相似度量算法中获取后验信息不准确的问题,提出了一种基于虚拟背景光谱的Hausdorff距离异常检测算法及其GPU并行处理方法。根据待检测像元周围信息的特点,构造理想化虚拟背景光谱,并结合改进的部分Hausdorff距离的度量方法进行异常检测,该算法有效降低Hausdorff距离异常检测对孤立噪声点的敏感性,并减少背景信息掺杂噪声及异常点对检测性能的影响。为了减缓实际高光谱数据量大带来的处理压力,在GPU/CUDA模型下,设计算法的并行系统架构,利用GPU的并行计算能力,获得较好的加速效果。