空-天-地的遥感平台会产生海量的遥感数据,遥感技术已经成为地理国情监测的重要手段,能够为信息化未来提供针对性的数据支撑和科学依据。高光谱遥感影像的异常目标检测任务是遥感数据智能化处理与分析领域中的重要研究内容。其不需要任何关于观测场景中地物目标和背景的先验信息,直接通过分析光谱特性差异定位出影像场景中的潜在可疑目标,能够为后续目标的精准识别与分析提供感兴趣区域,在精准农业、国防安全、地质勘测等方面都具有重要的应用价值。然而,随着高光谱遥感技术的快速发展,高光谱影像的高维度特性更加显著,光谱波段间的相关性更加复杂;与此同时,影像所覆盖的地理空间范围更加广袤,场景中包含的物质材料更加多样,不同物质间的干扰特性更加明显。这些特性对高光谱异常目标的准确检测带了新的挑战,其主要面临的关键问题包括:1)有效的特征选择问题;2)异常目标的干扰问题;3)复杂场景的精准建模问题。因此,本文围绕上述三个关键问题对高光谱异常目标检测任务开展了系列研究,主要研究内容和创新点如下:(1)针对有效的特征选择问题,本文提出了基于多字典稀疏表示特征学习的高光谱异常目标检测算法。本文构建了由异常目标检测任务驱动的特征选择框架,建立了异常目标检测与特征选择的互惠关系,确保所选择的代表性特征能够满足异常检测任务的需求。为了选择出能够增加背景与目标之间差异的代表性光谱,本文利用背景信息和异常信息对特征选择过程进行联合约束。考虑到不同地物类型具有独特的光谱属性,本文进一步构建了多字典特征学习模型,充分挖掘物质的属性差异,提高代表性特征的辨别性。(2)针对异常目标的干扰问题,本文提出了基于截断范数稀疏字典学习的高光谱异常目标检测算法。在传统的基于稀疏表示的异常检测模型中,背景字典的学习会受到异常目标的影响。本文利用截断范数对背景字典学习过程进行约束,能够对具有较大重构误差的潜在异常目标产生截断作用,自适应地只选择特定的背景像素进行有效的编码,避免异常样本参与字典编码过程,实现对异常目标干扰特性的有效抑制,从而学习到更加准确的背景字典,提高稀疏模型的检测性能。(3)针对复杂场景的精准建模问题,本文提出了基于样本分离性感知级联的高光谱异常目标检测算法。根据复杂背景数据中不同物质样本的可分性,本文构建了样本层级筛选框架。通过感知不同样本的分离程度,对复杂场景中的不同物质进行级联筛选,将影像中的物质按照检测的难易程度逐层划分为具有不同背景属性的样本集合。本文能够有效平衡传统模型对易分样本的偏好,提高对难分样本的表征能力,有效感知复杂背景与异常目标之间的差异,实现复杂背景数据的精准建模。在公开数据集上,与经典算法相比,平均检测精度提高了11.11%。