高光谱图像异常检测技术是高光谱遥感图像处理领域的热门研究课题,相关研究已成功应用至环境监测、稀有植物保护、军事伪装和隐藏识别等领域。然而,受成像平台误差、大气环境等因素的影响,高光谱图像存在背景成分复杂、数据冗余、先验信息欠缺等问题。为缓解或者克服上述问题对异常检测性能表现带来的影响,本文深入分析了高光谱遥感图像的数据特性,设计了两种基于对抗学习的高光谱异常检测算法,分别从无监督特征提取和半监督背景估计两个角度出发,来提升异常检测的性能。本文的主要研究内容和创新点如下:（1）提出了一种基于无监督对抗网络特征提取的高光谱异常检测算法,有效缓解冗余信息和复杂背景对异常检测性能的干扰。该算法联合对抗学习策略和光谱一致性约束项构建基于自编码结构的特征提取网络,提取高光谱图像的深层次特征,缓解了高光谱数据维度高和数据冗余的问题。为改善复杂背景带来的异常检测虚警率高的问题,该算法借助属性滤波剔除特征图中的主要背景信息,保留关键的小面积连通区域,并设计非线性映射函数,以属性滤波结果为指数因子反向定位并抑制高光谱图像中背景像元的响应量。在四组真实的高光谱数据集上的实验结果验证了该算法能够充分表达高光谱图像的潜在特征,显著增强异常和背景之间的差异,相较于其他对比算法具有更高的检测精确度和更强的背景抑制能力。（2）提出了一种基于半监督对抗网络背景估计的高光谱异常检测算法,克服先验信息欠缺对无监督异常检测算法性能的限制,统一深度学习网络与异常检测方案,并达到检测性能和训练样本受限之间的平衡。针对高光谱图像缺少先验光谱信息的问题,该算法基于PCA和DBSCAN密度聚类算法设计背景样本构建方案,通过剔除异常概率高的像元来构建较为纯净的背景光谱样本数据集。然后,基于自编码网络和对抗学习建立背景表示网络,学习背景光谱样本的谱域特征,并生成背景表示模型。借助背景表示模型对背景和异常不同的表达能力,重构含有异常和背景的原始高光谱图像,获得分布更加均匀且倾向于背景分布的重构数据。为了增加异常像元与复杂背景之间的差异,该算法对原始高光谱图像和重构图像进行差分,并在差分数据上进行异常检测。对比实验结果表明,该算法不仅能够打破训练样本缺乏对异常检测技术实用性的限制,还具有更优良的检测效果。