高光谱遥感技术因其光谱分辨率高、可同时反映地物的光谱信息与空间特征等优势,在民用和军事领域得到了广泛应用。目标检测是当前高光谱遥感图像处理与分析领域重要的研究课题之一,异常检测是实现目标检测的主要方式。大部分现有异常目标检测算法均会涉及如矩阵求逆、求解高阶导数和计算协方差矩阵等高阶运算,这使得该类算法在处理大视场高光谱遥感图像时,在高计算复杂度与数据量巨大的双重作用下,难以快速检出异常目标。此外,部分算法通过对遥感图像背景进行统计学建模,进而将与背景模型差异较大的像元检测为异常目标。然而,真实的地面场景通常比较复杂,很难实现对背景的精确建模。总结而言,现有高光谱遥感图像异常检测技术在算法计算效率、算法鲁棒性和异常目标与背景地物分离度等方面或多或少存在不足。因此,现有异常检测算法仍然面临以下两个方面的挑战:其一,针对大视场高光谱遥感图像,如何实现对其快速分析并得到异常目标初始分布情况;其二,针对高光谱遥感图像中某些关键区域,如何充分利用空间信息与光谱信息对异常目标进行精细检测。围绕上述两个问题,论文基于孤立森林模型,综合考虑空间关系和光谱特性两个方面,开展高光谱遥感图像异常目标检测方法研究,主要创新性工作介绍如下:（1）提出一种面向大视场高光谱遥感图像的快速异常目标检测算法。相比于现有算法,孤立森林i Forest算法不涉及如求解高阶导数、计算协方差矩阵等高阶运算。本文在i Forest算法的基础上,针对局部异常像元误检与虚警问题,提出RMi Forest算法,在一定程度上解决了某些全局范围内是正常点,但局部范围内是离群点的异常像元漏检和虚警问题。改进后的RMi Forest算法不再基于待测像元所在叶结点至根结点的路径长度来定义异常测度。将其改进为基于相对质量定义的局部异常测度。其次,RMi Forest算法改进了i Forest算法中孤立树的生长终止条件,进一步降低了算法计算成本。此外,RMi Forest算法中各孤立树的训练与生成是相互独立的,设计分块预处理策略,具备部署在大规模分布式系统上以进一步加速的应用前景,便于进行硬件移植与实时性要求较高的工程化实现。本文推导了RMi Forest算法的计算复杂度,分析了其时间复杂度和线性空间复杂度的线性特性,在两组真实数据集上论证了其有效性和快速性。（2）提出了基于高维孤立森林算法的高光谱图像异常目标检测算法。面向高光谱遥感图像指定区域内更高精度的异常检测需求,给出了针对高维数据异常检测的改进策略;提出了光谱有效信息率和目标-背景分离度的概念,并在其基础上设计了基于光谱有效信息率和目标-背景分离度的光谱波段选择策略;提出了高维孤立森林算法HDi Forest。相比于现有基于i Forest算法的异常检测方法,HDi Forest算法能够有选择地选取数据特定属性维度进行分析,从而更准确检出异常目标像元的同时,可有效压制背景地物,提升了异常像元在主观视觉和客观指标两个方面与背景地物的区分度。此外,HDi Forest算法还具备极好的鲁棒性,在像元级异常目标检测和亚像元/小目标异常检测两种场景中均具备良好的异常检测性能。（3）提出了基于多尺度空间约束的空谱联合高光谱图像异常目标检测方法。考虑高光谱遥感图像光谱分辨率和空间分辨率双高发展趋势,基于Gabor滤波器和ERS算法提出了多尺度空间约束方法;设计了空谱联合特征高光谱图像异常目标检测方法SSIIFD。相比于现有高光谱图像异常检测方法,SSIIFD方法可同时考虑高光谱遥感图像的全局特征与局部特征,能够从多个尺度提取图像的空间特征;并且,SSIIFD可同时计算高光谱遥感图像各像元空间域异常得分和光谱域异常得分,经过加权融合后得到基于空间-光谱联合特征的异常目标检测结果。因此,SSIIFD异常检测方法在出色地抑制背景地物虚警现象的同时,更好地突出异常目标像元。文章在四组真实高光谱遥感数据集上验证了SSIIFD方法的异常检测性能。