随着遥感技术的飞速发展，成像光谱图像(spectral imagery)为人们精确分析地物提供了更丰富的高分辨率光谱信息。成像光谱图像目标检测(target objection)技术利用信息处理手段分析成像光谱图像场景，从不同空间位置检测图像目标，为准确高效地判读和理解图像信息提供基础，具有极其重要的理论意义和实际应用价值。　　传统的成像光谱图像目标检测方法通常需要对图像的所有区域逐一进行处理，再加上成像光谱图像本身较高的数据维度，因此算法复杂度较高，目标检测效率偏低。在实际应用中，人们往往关注的是图像中的某个或某些目标。基于显著性模型的目标检测，最初建立时是通过模拟人类视觉系统，能够快速地从复杂场景中选择少数几个显著的区域进行优先处理，从而有效降低数据处理复杂度，提高目标检测效率。然而，考虑到成像光谱图像的高光谱特性以及有限的人眼辨识能力，直接利用传统的显著性模型进行目标检测显然是不适用的。　　为此，本文通过借鉴显著性模型的先进思想，结合成像光谱图像的高光谱特性，开展了基于光谱显著性的成像光谱图像目标检测技术研究。论文的主要研究内容包括以下几个部分:　　(1)提出了一种基于光谱相似性度量的最佳波段筛选方法　　针对成像光谱图像数据量大且维数较高，首先通过内部最大体积算法选择具有代表性的像元参与后续的波段选择运算，以降低波段选择算法自身的运算量;然后计算光谱相似性度量，选择出具有代表性且相互区别的波段;最后在目标检测算子性能评价分析的基础上调整相似性度量阈值，确定最佳的波段个数。实验结果表明，所提方法能够在降低运算复杂度的同时提高目标检测的准确率。　　(2)构建了一种基于光谱显著性的成像光谱图像显著模型　　考虑到成像光谱图像的高光谱特性，首先通过特征提取与波段选择得到空间和光谱特征;然后计算像元向量间的中央周边差异得到特征关注图，进而将特征关注图归一化融合生成光谱显著图(spectral saliency map);接着利用赢者全取(Winner-Take-All，WTA)神经网络在显著图上竞争选择和转移注意焦点;最后根据得到的光谱显著图和注意焦点，检测图像的显著区域。实验结果表明，基于光谱显著模型的目标检测在不需要先验信息的情况下，可以有效提高显著目标的检测效率。　　(3)提出了一种基于光谱显著图的多尺度目标分割方法　　针对成像光谱图像空间分辨率较低和背景干扰等问题，首先利用WTA网络在显著图上找到注意焦点作为种子点;然后计算种子点与周围像元的异质性，以异质性最小为生长准则进行区域合并生长，得到分割后的图像;最后在显著图的约束下获得最终的显著目标。实验结果表明，所提方法在一定程度上提高了目标分割的准确度。