高光谱遥感是对地观测领域短时间迅猛发展起来的新型综合类学科,随着我国综合国力的增强和卫星应用的开展,高光谱遥感技术应用有着良好机遇。非监督异常目标检测作为高光谱遥感图像的重要应用之一,不需要先验光谱信息的特点,用已获得的高光谱遥感图像数据统计分析,在全局或局部背景下寻找不符合背景光谱信息的异常目标,通过异常目标和背景的光谱信息差异,在现代军事目标打击、矿物勘探、农业识别及环境监测等领域有着广泛的应用。如何利用现有的高光谱遥感数据,提出不符合背景估计的异常目标的方法,成为高光谱图像处理领域的研究热点。本论文从异常检测问题中缺少异常目标先验知识的条件出发,利用检测二元分类器获得背景和目标两种类别,从获得的背景统计入手来提升异常目标检测方法性能。具体来说,在稀疏表示模型中,现有算法通常以原始的高光谱图像数据作为背景训练样本,这些背景样本中混有少量目标像元,致使学习后的字典用于稀疏表达后的异常检测结果精度不高;在统计模型中,真实的高光谱数据不符合高斯分布,目标和背景的分布具有极大的不确定性,对背景估计造成偏差和污染,致使基于背景统计后的异常检测结果精度不高。本论文从稀疏表示模型和统计模型两个方向来优化背景建模:(1)提出了一种二次迭代字典选择的稀疏表示高光谱图像异常检测方法。该方法通过矩阵的低秩稀疏分解获得背景样本集,在此样本集中应用K-SVD字典学习来完成对背景字典的筛选,利用已获得的纯净背景字典对高光谱数据进行稀疏表示重构。由于构造的纯净背景字典集不含有异常目标的污染,使异常目标的重构误差变大,更易甄别异常目标。(2)提出了一种相似度联立融合的局部高光谱图像异常目标检测方法。该方法应用滑动双窗模型,利用不同的向量相似度量准则对局部背景像元统计相似度,剔除那些与局部背景向量差异较大的像元,避免了局部背景估计的污染。最后将提取的纯净背景统计应用于LRX算法来完成异常目标检测。本论文利用ROC曲线和AUC数值对异常检测方法性能进行评估,分别在三组不同的高光谱图像数据上实验,对比不同的异常检测方法,实验结果证明本文提出的两种方法具有优良的异常检测性能。