高光谱遥感是一种结合了光谱分析与图像处理的多维信息获取技术,除了目标地物的空间信息,高光谱遥感技术还可以获得覆盖范围很广的光谱信息,这就使人们可以不仅通过形态信息,也可以通过包含更加丰富内容的光谱信息来认识一幅图像。在高光谱图像中,不同地物的光谱反射信息是完全不同的,这一特性是高光谱图像处理技术的理论基础,即无论是检测、分类或者其他处理都可以基于光谱信息。一旦拥有了完备的光谱库,对于高光谱图像目标检测,就可以利用匹配的方法进行,而且匹配的结果只需要体现出待测像元是否为目标即可,是简单的二分类问题。稀疏表示算法是近年来学者们的研究热点,它的特点恰好可以满足高光谱图像目标检测的需求,于是本文将二者结合,并对其做出了一定的改进。本文的主要研究工作概括如下:首先,由于高光谱图像包含极为丰富的信息,所以其包含的数据量也就自然非常巨大,于是针对这一问题,本文在对高光谱图像处理技术以及稀疏表示算法的理论基础进行了细致研究的基础上,将二者结合,利用了高光谱图像稀疏度高的特性,同时也从一定程度上减轻了高光谱图像数据量大所带来的运算压力。通过与传统的高光谱图像目标检测算法的对比实验,验证了稀疏检测算法的有效性。其次,针对稀疏表示算法中求解稀疏系数这一关键环节进行了改进。常用的稀疏系数求解算法运算效率普遍不高,当遇到类似高光谱图像这种大数据时往往需要很长的运算时间,本文提出利用StOMP算法求解稀疏系数,实现了检测精度无明显下降的前提下对运算速度的大幅提升,并用对比试验验证了StOMP算法的有效性。最后,本文提出了一种新的字典构建方法,实现了不需要先验信息且检测精度较高的高光谱图像稀疏目标检测。以往从待检测图像直接抽取的字典构造方法可以分为两类:一是从待测图像中抽取一定数量的像素点构成字典;另一类是利用关于待测高光谱图像的先验知识,扩展构成过完备字典。这两种方法各有利弊,前者由于像元抽取数量的限制与抽取方法的不足,字典中包含的信息往往不够充分,使得检测效果不够理想;后者的检测效果优于前者,但在实际应用中,完备的先验知识往往是很难获得的,这就使得这种字典构造方法的实用性不强。针对这两方面问题,本文提出了利用RX异常检测算法的检测结果作为先验知识的冗余字典构造方法,这种方法巧妙的结合了上述两种传统方法的优点,避免了他们的不足。对比实验结果证明,本文提出的无监督字典构造方法具有很高的检测精度。