高光谱图像目标检测是高光谱遥感技术的重要研究方向之一,这类算法能够利用高光谱图像丰富的光谱信息对目标物体进行识别,相比传统的目标检测算法具有独特的优势。而在众多高光谱目标检测算法中,稀疏表示方法的迅速发展,已经在许多算法中脱颖而出,但是在实际检测中,由于稀疏表示训练样本质量的限制和对空间信息的忽视,使得稀疏表示算法难以取得更好的检测效果。因此,本文针对稀疏表示算法中样本质量和空-谱联合的问题提出目标检测算法,较好的解决了稀疏表示存在的困难,进一步提高了目标检测的效果。本文针对稀疏表示算法进行了如下研究:针对稀疏表示算法缺乏对空间信息的利用问题,提出了基于加权联合k近邻和多任务学习稀疏表示方法。在光谱信息上,在稀疏表示的基础上考虑了相邻波段的信息联系,结合多任务学习思想,构建多任务学习稀疏表示模型。在空间信息上,考虑了测试像素邻域内的空间像素信息,并通过加权欧式距离突出像素间不同的贡献度。最终,联合空-谱信息设计检测器,进行更稳定、精确的目标检测任务。与未利用空间信息的算法相比,提出算法具有更高的检测效果,在AVIRIS和Texas Coast数据集上的AUC值分别为99.12%和97.33%,证明了算法能有效检测目标。针对稀疏表示字典构建质量差的问题,提出了一种基于超像素分割的稀疏字典构建方法。首先采用超像素分割算法分割降维后的高光谱图像,然后利用目标先验信息在局部超像素块中计算相关系数,最后通过相关系数选择优质目标训练样本构建高质量的稀疏字典以提升稀疏表示的目标检测效果。超像素分割算法通过光谱和空间信息将具有相似特征的像素聚集成超像素块,保证了局部空间信息,相关系数则进一步得到高质量目标样本,建立高质量的稀疏字典,从而获得更好的训练效果。实验结果表明,提出算法在AVIRIS和Texas Coast数据集中的AUC值分别为99.35%和98.79%,相比于其他算法具有更高的检测效果。针对光谱变异现象导致稀疏训练样本质量下降问题,提出了基于稀疏表示和光谱角的训练样本优化方法。首先从图像中提取出目标像素和候选像素,然后利用这些像素构建稀疏表示,并统计稀疏表示结果中高频次的字典原子,通过高频字典原子构建优化的目标样本,最后通过光谱角距离得到高质量的训练样本。所提出算法根据稀疏表示的特性得到了最具代表性的目标样本集,由此得到了优化的目标样本,从而降低光谱变异现象的影响,提高检测性能。在对比实验中,由于对高光谱图像的目标先验像素进行了优化处理,提出算法在不同数据集中都有较好的检测效果,尤其在AVIRIS数据集中,AUC指标达到99.78%,证明了所提出算法的有效性。