随着光谱相机成像技术的快速发展,获取的高光谱影像包含更精细且分辨率更高的光谱特性曲线,可以更好地反映不同地物间的细微差异。但是丰富的谱间信息带来的海量数据不仅给卫星的传输和存储系统带来严重负担,还对高光谱影像快速、精准的目标检测带来巨大挑战。本文以CEM高光谱目标检测算法为基础,探索了提升高光谱影像目标检测性能的方法,并通过真实的高光谱遥感数据集来客观评价本文提出的优化模型。论文的创新性工作包括:一、已有的基于光谱匹配的目标检测算法无法提取深层次的光谱特征来减少谱间的冗余,检测速度慢,无法达到实时检测的要求。针对此问题,深入分析网络在自动学习特征上的优势,根据高光谱影像本身的数据特性,提出基于深度学习的光谱特征提取降维模型,其基本思想是利用深度学习的思想提取出能够区分的波段,去除波段间的无用信息,减少参与目标检测任务的数据量,来加快目标检测的速度。本文从检测精度、速度全面地比较了基于堆栈式编码器网络光谱特征提取前后对三种不同检测器的性能影响,纵向比较了改进算法与主成分分析波段选择降维算法对处理时间的影响。实验结果表明,本文提出的优化算法能够准确地检测出不同位置、角度、大小的待检目标,并且CEM、SBS-CEM、DPBS-CEM三种检测器的平均处理速度比原始检测算法、基于波段选择的优化算法快了12.76倍、6.27倍。二、研究了联合提取空谱特征以提升目标检测精度的问题。受光谱相机拍摄距离的限制、光照等外界环境的干扰,获取的数据中存在一定的光谱失真,仅仅依靠单一的光谱特性曲线来检测目标,检测结果波动较大、抗干扰能力差,为了充分利用HSI丰富的空间信息,提出空谱特征联合提取的3D卷积神经网络,对于网络训练过程中目标数据集训练样本不足的问题,提出通过迁移学习的方法,将已训练好的同一网络模型参数作为目标任务网络初始化参数,然后利用目标数据集的少部分训练样本对网络参数微调,进而学习到适合目标任务的高层次特征。同等条件下的实验结果表明基于迁移学习的3D CNN优化检测算法能够消除噪声干扰,与SAE、PCA优化算法相比检测精度平均提升了2.45%、2.85%,检测速度比原始检测算法平均提升了24.29倍,达到了实时处理的效果,为之后高光谱目标检测技术应用到星载卫星上奠定了基础。