高光谱图像相比普通图像在很多方面有着巨大的优势,随着高光谱图像的采集成本越来越低和精度越来越高,研究如何将高光谱图像更好的为我们的社会生活所服务变得越来越重要。本文根据现实生活和现有算法中存在的问题,结合高光谱图像的优点,提出了基于高光谱图像数据进行目标检测和场景分类的新任务和相应的实现算法。主要研究内容如下:1)由于提出高光谱图像目标检测任务没有可用的公开数据集,无法满足通用的目标检测模型的训练需要。我们根据高光谱图像可以进行单像素点分类的特点,通过使用高光谱图像分类算法生成目标的二值分割图,降低了目标检测的难度,使得可以直接用无监督目标检测算法进行检测并且还能保持较高的检测精度。为了任务的进行,我们标注了一个用于区域垃圾检测的高光谱目标检测数据集。2)针对普通图像的场景分类在某些场景中分类精度不高的问题,本文提出了高光谱图像的场景分类任务,基于高光谱图像的场景分类可以利用高光谱图像丰富的光谱信息提高分类精度。此外,针对遥感图像背景差异较大的问题,提出了一个基于全局和重点区域特征的高光谱场景分类模型,该模型在几乎不增加模型参数的前提上能够很好地滤除复杂的背景干扰。3)卷积神经网络模型的大数据、大参数量的特点限制了其在计算资源和数据资源有限的任务中的应用。由此本文提出了一种基于图卷积神经网络的高光谱场景分类模型,该模型通过聚类模块确定节点和节点特征,然后结合预设的图边创建图,通过图卷积层提取特征,最后通过全连接层输出分类结果。该模型成功的在仅使用极少参数的前提下达到了令人满意的准确率。