高光谱图像的光谱分辨率达到了纳米级别,其包含了上百个光谱波段。它在记录空间信息的同时还携带了丰富的光谱信息,因此其具有“图谱合一”的特性,这极大地提高了它对地物分析的能力。作为高光谱图像处理领域中的关键部分之一,高光谱目标检测旨在寻找与给定光谱类型一致的目标并对目标进行定位,其在矿物勘测、农林植被评估、灾害分析以及军事目标探测等多个领域有重要作用。为了高效、可靠、稳定地检测高光谱图像中的目标,需要对相应的目标检测算法进行全面、深入地研究。本文的主要工作如下:首先,提出了一种基于累乘方式的光谱差异累积（Spectral Difference Accumulation,SDA）目标检测方法。现有的光谱相似性度量采用累加的方式进行计算,其在背景光谱与目标光谱较为相似的情况下,计算出的光谱差异较低,不足以清晰地区分该背景与目标,影响了检测性能。为了提升目标与背景之间的区分度,本文所提的SDA方法在获取最终的检测结果时,采用了相乘的方式累积各个波段中计算所得的差异。原本通过累加方式不能凸显的差异在经过累乘方式积累后会得到进一步突出。此外,该方法还对不同的波段施加了不同的权重,对应的权重由各个波段内的方差和目标信息共同确定。目的在于增强由于特征不同引起的差异的重要性,降低由于干扰导致的差异的重要性。实验结果表明,所提出的基于累乘的差异累积方法能够获取更高区分度以及更加准确的目标检测结果。其次,提出了一种基于角度度量的层级化背景分离方法（Angle Distance-Based Hierarchical Background Separation,ADHBS）。传统的方法在执行检测任务时仅仅对图像数据进行了一次处理,这往往会造成背景分离不干净或目标提取不准确等问题。ADHBS模型采用了角度度量与层级结构对背景部分进行多次处理。在每一层中,该模型会以待测光谱与给定光谱在白化空间中的角度距离为依据,对原始空间中的光谱进行调整,使其向与给定光谱垂直的方向移动,而移动的速度与对应的角度大小成正相关关系。与目标类型的光谱相比,背景类型的光谱与给定光谱之间的角度距离更大,因此背景光谱将会率先到达指定方向。分离过程结束后,目标与背景之间会呈现出明显的区分。同时,该方法还使用了一个简单的平滑预处理以进一步提升检测精度。实验结果表明,与传统的单层方法以及最近提出的部分方法相比,ADHBS模型能够获得更优的目标检测结果。最后,提出了一种基于低秩稀疏分解的局部光谱一致性提升（Local Spectral Consistency Enhancement,LSCE）模型用于目标检测任务。高光谱图像中的众多干扰因素破坏了同种类型不同光谱个体之间的一致性,从而导致了光谱变异现象,这严重阻碍了目标检测任务。尽可能地恢复光谱一致性对目标检测任务是有利的。LSCE模型采用了一个矩形窗口在高光谱图像上滑动,并对选中的子图像块进行低秩稀疏分解。得到的低秩部分为经过一致性提升的光谱,而稀疏部分则被视为干扰因素,将被舍弃。当矩形窗口划过整幅图像时,其便对图像中所有的光谱都至少执行了一次的一致性提升操作。所有处理过后的光谱被重新组合为一幅新的高光谱图像,新图像中的光谱变异现象被削弱,光谱一致性得到增强。实验结果表明,在新图像上执行目标检测任务可以得到更加准确的结果,LSCE模型对目标检测是有利的。