作为对地观测的重要手段,高光谱遥感图像凭借其丰富的光谱信息和“图谱合一”的数据特性,受到了学者们的广泛关注,尤其是基于深度学习的高光谱目标检测技术,成为了当下的研究热点之一。但高光谱图像庞大的数据量和复杂的图像背景在一定程度上限制了基于深度学习的高光谱目标检测技术的发展与应用。其所面临的问题主要有:（1）高光谱遥感图像标注工序繁琐困难,难以为数据驱动的深度学习模型提供大规模有标注的训练样本,极大地限制了深度学习方法的应用。（2）高光谱图像数据的背景地物组成复杂多样、光谱混合和同物异谱效应导致目标与背景难以区分,增加了目标检测的难度。（3）高光谱图像数据量庞大,传统的单机训练耗时久且难以满足如此大的计算需求,增加了深度学习方法研究、调试和部署的难度。因此,针对高光谱图像的成像机理和数据特点,设计准确且高效的基于深度学习的高光谱目标检测算法具有重要理论意义。论文的主要研究内容和创新点如下:针对高光谱图像训练样本稀缺的问题,本文提出了一种基于背景高效学习的高光谱目标检测方法。该方法根据在高光谱图像目标检测任务中,目标像素一般为稀少像素这一数据特征,提出了将图像中大量的背景像素作为训练样本进行深度学习训练的策略,为高光谱图像目标检测引入深度学习方法提供了新思路。该方法首先通过粗检测提取背景像素作为训练样本,然后通过改进的自编码网络学习图像背景特征并利用原始高光谱图像生成完整图像的重构,最后利用重构图像与原始高光谱图像的光谱角距离图进行目标检测。在构建自编码网络过程中,该方法将目标光谱信息引入网络损失函数,以实现对疑似目标像素的约束,缓解了疑似目标像素对背景学习的干扰,使网络可以更准确地学习背景信息。充分的背景学习使网络能够更好地重建背景像素,从而突显目标像素并提高检测性能。实验结果表明与其它对比算法相比所提出算法的平均检测精度提高了约2%,且其虚警率可以达到0.18%,能够在保持高检测精度的同时降低虚警。针对高光谱图像庞大的数据量导致深度学习训练耗时久、调试困难的问题,论文首先在基于背景高效学习的高光谱目标检测方法中引入LAMB优化器进行训练,解决了流行的SGD、Adam等优化器在批量规模大于8K或学习率较大等情况下可能会导致模型性能的大幅下降问题。此外,LAMB优化器的引入可以在一定程度上缩减模型的训练时间,并且为后续大批量分布式训练提供了优化器基础。随后为了进一步提高深度学习的训练效率,克服传统的单GPU训练时间长且难以满足高光谱图像复杂计算需求的问题,论文提出了一种基于分布式深度学习的高光谱目标检测方法。该方法对论文提出的基于背景高效学习的高光谱目标检测方法的训练过程进行改进,利用Horovod框架实现了单机多卡和多机多卡的分布式训练,缩减了深度学习的训练时间。此外,针对多机多卡分布式训练中过多的梯度传播造成节点通信压力大进而影响分布式训练性能的问题,论文将梯度压缩算法引入到多机分布式训练过程,缓解了多机分布式训练的带宽压力,进一步提高了多机训练的性能。在分布式环境中进行实验表明,本文提出的方法实现了在单机多卡环境中训练时间随GPU数目的增加而近似线性减少,而且在多机多卡环境中梯度压缩也取得了明显的加速效果。