相较于传统红外、多光谱图像,高光谱遥感影像能提供更具区分度的诊断性光谱特征,因此常被应用于军事目标探测、矿物勘探、精细农业等领域。异常检测作为高光谱遥感对地观测技术中的重要组成部分,可以在无先验光谱信息的前提下自动探测出场景中的潜在目标,具有很高的实用价值。作为异常检测算法的重要步骤之一,背景建模的质量直接影响最终探测结果的准确性。然而,现实场景中的高光谱遥感数据往往存在着诸如光谱变异严重、特征区分度不够以及样本间信息利用不充分等问题,对背景建模的鲁棒性提出了严峻挑战,进而制约了异常检测算法的探测性能。本文针对现有方法在背景建模方面存在鲁棒性不足的问题,从高光谱遥感影像在实际应用中存在的问题出发,深入分析了现有高光谱异常检测算法的特点和缺陷,并据此提出了多种基于鲁棒背景建模的高光谱异常检测算法。具体来说,本文的主要研究工作可分为以下几个部分:（1）介绍了异常检测的基本概念及主要思想,分析了遥感影像在成像过程中存在的共性问题,并介绍了高光谱遥感场景下异常目标所具有的特殊性;详细介绍了几种典型的基于概率理论、优化理论和深度学习理论的异常检测方法,并分析总结了各自的主要特点及性能瓶颈所在;最后,简要介绍了本文所采用的高光谱遥感公开数据集以及探测评价指标。（2）针对光谱变异和异常样本污染导致的模型鲁棒性不足的问题,提出了一种基于特征提取和背景纯化的高光谱异常检测方法。该方法结合分数阶傅里叶变换以融合原始光谱数据及其对应傅里叶域信息,从而提取更具区分度的样本特征;同时,利用异常目标在高光谱数据中所具有的“行稀疏约束”,提出了一种改进的低秩稀疏矩阵分解算法,在实现快速矩阵分解的前提下,保证了矩阵分解结果在高光谱遥感应用场景下具有实际的物理含义;此外,提出了一种背景纯化策略,利用粗粒度的检测结果进一步提取高置信度的背景信息,避免异常样本对背景统计信息的污染,实现背景建模的鲁棒性。实验结果表明,相比原始的低秩稀疏矩阵分解方法,该方法探测效果更好,且运算速度在可接受的范围内。（3）针对特征区分度不够和空域信息利用不充分导致的模型鲁棒性不足的问题,提出了一种空-谱协同自编码器的高光谱异常检测方法。该方法受红外块图模型启发,改进了一种适用于高光谱图像数据的块图模型。利用块图模型优异的背景抑制能力,从空域异常响应结果中指导筛选出高置信度的背景样本,保证自编码器在提取非线性、高阶背景特征的同时免受异常样本干扰,确保了建模过程的准确性和鲁棒性。为提升算法的探测性能,设计了一种基于空域异常响应的加权算子,实现了空-谱信息的决策级融合,进一步抑制了背景对最终探测结果的干扰。实验结果验证了算法的可行性和优越性,并能有效提高目标和背景之间的对比度。（4）针对样本间信息利用不充分和次优局部极值解导致的模型鲁棒性不足的问题,提出了一种图约束鲁棒自编码器的高光谱异常检测方法。该方法设计了一种端到端的鲁棒自编码器异常检测框架,实现了背景样本自动关注和网络参数更新的同步,保证了整个训练过程的稳定性。同时,设计一种基于超像素分割的快速图构造方法,在将样本间几何、相似性关系有效耦合进网络的同时,实现计算量的大幅下降和局部空间一致性的保留,进一步提高了网络的表征能力。实验证明,该方法在训练过程中比传统自编码器框架对异常和噪声更鲁棒,且能提高网络的表征能力,从而更好地探测背景中潜在的异常目标。