高光谱图像描述了目标分布的二维空间图像信息和目标光谱特征的一维光谱信息。传统的基于特征提取的高光谱识别方法由于存在特征丢失的弱点导致识别精度不高。基于神经网络的高光谱图像识别方法由于神经网络强大的表示能力可以获得较高的识别精度,但是神经网络只能识别和训练集类别相同的称为已知类的目标,对于来自训练集类别之外的称为未知类的目标,神经网络不能把它们检测出来。针对上述问题,本文研究了高光谱已知目标识别和未知目标检测算法。本文的主要工作和创新包括:（1）针对高光谱已知类目标的识别,本文提出一种新型结构的三维卷积网络。该网络有两个重要特征,一是采用残差结构,残差结构的特性可以让网络层数增加很多,网络层数的增加有利于提取高层次的数据特征。同时,残差结构可以避免网络层数太多带来的训练困难问题。该网络的第二个特征是使用三维卷积运算,与一维卷积和二维卷积不同,三维卷积运算可以同时提取光谱和空间联合信息。经实验测试表明该网络对高光谱已知目标有较高识别精度。（2）本文提出并实现了一种基于OpenMax的高光谱未知目标检测算法。OpenMax把神经网络倒数第二层输出称为激活向量。训练时,使用每个已知类的分类正确的激活向量建立威布尔模型。测试时,输入数据,对输出的激活向量使用建立的N个威布尔概率模型进行计算可以就得到输入属于已知类的概率和属于未知类的概率。实验测试显示该算法对高光谱未知目标检测有一定检测效果。（3）本文提出并实现了一种基于DOC的高光谱未知类检测算法。DOC使用1-vs-rest层取代Soft Max层。1-vs-rest层有两个功能,sigmoid映射和判决。训练时,使用神经网络倒数第二层输出的N组分数建立N个高斯模型并计算1-vs-rest层的N个判决门限。测试时,神经网络倒数第二层输出的数据输入到1-vs-rest层,1-vs-rest层的判决器根据sigmoid映射输出值判决输入是属于已知类中类别还是未知类。实验测试显示该算法对高光谱未知目标检测有一定检测效果。（4）最后,本文对用于高光谱已知类目标识别的卷积神经网络提出了一种FPGA实现方法。使用该方法在FPGA平台上成功搭建高光谱已知目标识别网络。使用公开数据集测试表明FPGA上的网络和GPU平台上的网络对高光谱已知目标识别精度一致。