随着大数据技术、计算机技术以及遥感光谱成像技术的蓬勃发展,遥感场景中的高光谱图像（HSI）处理已经成为了国内外各个相关领域的研究热点,其中HSI异常检测和分类研究具有十分重要的研究意义和应用价值。遥感光谱成像技术可以生成光谱信息丰富的HSI,而由于HSI存在光谱维度高、空间分辨率低、数据量缺乏以及样本不平衡等问题,且在处理过程中容易受到噪声和混合像元等因素的影响,因此HSI异常检测和分类研究仍面临着众多挑战。针对以上问题,本文主要完成了以下工作:（1）本文首先对遥感场景中HSI异常检测和分类研究的研究背景及意义进行了阐述,大致分析了国内外研究现状,对现有研究工作中存在的一些主要技术难点进行了总结,并介绍了相关理论基础,为本文研究提供了充分的理论依据、坚实的理论基础以及明确的研究方向。（2）针对HSI异常检测任务,为了抑制混合像元以及噪声在复杂背景中对异常检测的干扰,充分提取并利用HSI的光谱特征和空间特征,且考虑到HSI数据样本的缺乏,本文提出了一种基于端元提取和低秩稀疏矩阵分解的HSI异常检测算法,首先采用最优分数阶傅里叶变换将原始光谱域信息转换为具有傅里叶域信息和原始光谱域信息的中间域信息,可在提取显著特征的同时增强模型的抑噪能力。然后对中间域数据进行端元提取,并采用GRX算法构造一个稳定的异常检测子集。最后对丰度矩阵进行低秩稀疏矩阵分解,计算马氏距离完成异常检测。本文在多个公共HSI异常检测数据集上本文算法进行了实验验证,实验结果表明本文算法能有效将异常和背景分离。（3）针对HSI分类任务,本文提出了一种基于3D-CNN框架,结合注意力机制的快速双分支密集连接网络用于HSI分类。为了防止维数灾难,首先采用PCA降维和3D卷积下采样对原始HSI进行双降维处理。然后将网络结构解耦为空间分支和光谱分支,充分提取HSI的光谱特征和空间特征,并在空间分支和光谱分支采用密集连接结构,防止网络退化。而为了缓解样本不平衡问题,在模型训练过程中采用结合标签平滑交叉熵损失以及焦点损失的双损失函数,同时引入结合快速傅里叶变换（FFT）的ECA注意力机制,在保证分类精度的同时,有效加快了网络的训练速度,最后将双分支的输出进行特征融合,通过一个全连接层完成分类。本文算法在多个公共HSI分类数据集上进行了实验分析,实验结果表明该算法具有优越的HSI分类性能。