高光谱图像是新型的遥感数据,其良好的光谱诊断能力使得它非常适合对照自然背景发现人工目标。其中,异常检测算法能够在没有先验光谱信息的情况下检测到与周围环境存在光谱差异的目标,具有较强的实用性,成为了目标检测领域的一个研究热点。本文在深入分析高光谱图像数据特点的基础上,针对高光谱图像异常检测中面临的高数据维、非线性信息提取、同物异谱、混合像元等问题,做了以下几方面的研究:首先,在研究高光谱图像数据降维技术的基础上,提出了一种基于二代曲波变化和脉冲耦合神经网络(PCNN)的自适应波段融合降维算法。该方法以高光谱图像自适应子空间分解后的各子空间为处理单元,通过对子空间内各波段图像二代曲波变换后的粗尺度系数的熵加权融合和细尺度系数的PCNN选取,实现子空间内图像的融合。将融合后的图像用于异常检测,不仅极大地降低了高光谱图像的数据量,而且能够有效地提取图像的细节信息。其次,通过对核函数方法理论的研究,提出了一种基于核函数的特征空间加权RX异常检测算法,以利用核函数性质有效提取图像波段间隐含的非线性信息。该算法在图像的高维特征空间进行目标的异常检测,并依据背景协方差矩阵中各光谱向量到质心的距离对协方差矩阵进行自适应加权,削弱了协方差矩阵中异常数据的比重,从而使背景分布更加符合实际。另外,在利用核函数性质进行特征空间的内积运算转化时线性组合所构造的光谱核函数和径向基核函数,减弱了同物异谱现象引起的能量差异对检测精度的影响。最后,在分析线性混合模型理论的基础上,提出了一种基于背景误差数据的高光谱图像非线性异常检测算法。它通过分块快速端元提取方法得到背景端元后,利用光谱解混技术将背景数据从高光谱图像中分离出来,然后将包含丰富目标信息的背景误差数据映射到图像的高维特征空间进行异常检测。该算法抑制了光谱混合现象带来的背景干扰,而且通过有效地利用高光谱图像的非线性信息进一步提升了异常检测的性能。