高光谱遥感图像的成像方式不同于常规的光学遥感成像,其将图像的空间信息与光谱信息整合成为三维立方体图像的形式。相较于多光谱图像而言,高光谱遥感图像包含更多的光谱波段信息。利用地物间成百上千的光谱信息的细微差别可以实现目标识别以及地物分类。根据是否需要地物的先验光谱信息可以将目标检测区分为有监督的目标检测和非监督目标检测。本文主要将高光谱遥感成像技术的基础原理与稀疏表示模型相结合,将原始信号利用过完备字典进行线性展开。通过正交匹配追踪算法进行稀疏系数的求解并且重建原始信号。根据不同地物有独特的光谱反射曲线,设计判别函数并选取合适的阈值对目标与背景进行区分。本文的主要研究内容如下:首先,经典的基于稀疏表示目标检测算法中过完备字典所包含的训练样本数目与种类都很少,对目标检测有一定的影响。针对于基于传统字典的目标检测算法中存在的缺陷,本文通过增加过完备字典中所包含的目标训练样本的数目来实现原始字典的增殖,使目标检测的精度得以提升,通过与原始稀疏表示算法进行对比,验证了此算法的有效性。其次,针对传统基于稀疏表示的目标检测算法求解稀疏向量耗时过长以及在检测过程中只考虑高光谱图像的光谱信息,并没有考虑到其空间信息的问题,本文通过转变稀疏向量的求解思路,实现目标与背景稀疏向量分步求解,以及在检测过程中对原始的模型进行改进,添加空间信息来提高目标检测的精度并加速算法进行目标检测时间。最后,由于过完备字典的构造是直接从高光谱图像中进行获取的,存在不确定性因素且无法实现对混合像元的准确检测。针对以上问题,提出基于字典重构的高光谱图像混合像元目标检测算法。该算法利用无监督方法进行过完备字典的构造,确保过完备字典中包含部分目标像元的光谱信息,同时引入二元对立假设模型实现对高光谱图像中混合像元目标的检测。将其与稀疏表示模型相结合实现高光谱遥感图像的目标检测。通过进行对比实验可以看出,本文所提出的创新算法可以得到更高的检测精度。