高光谱遥感图像（Hyperspectral Image,HSI）的高维特性、波段间高度相关性、光谱混合,使传统特征提取对复杂空谱结构表征能力差,因此,如何准确快捷地获取地物关键及细微差异特征是目前需解决的难题。本论文深入挖掘高光谱遥感图像的光谱连续性和空间相关性,融合图像中的局部、统计和空间几何结构信息,提出了基于空间密度遥感图像特征提取及异常检测方法,较好解决了传统高光谱遥感图像分类及异常检测精度不理想的难题。本文主要研究内容分为以下几个部分:（1）传统的基于协方差矩阵特征提取方法仅利用高光谱遥感图像的光谱特征计算协方差矩阵。其分类图中仍存在较多噪声,分类精度有待进一步提高。为探索丰富的空间信息,深入挖掘图像中的光谱相关性,提出一种基于密度峰值协方差矩阵（Density Peak Covariance Matrix,DPCM）的高光谱图像空谱特征提取方法。该方法先采用密度峰值聚类（Density Peak,DP）算法计算出每一个像素的局部密度值,从而有效的将图像中的光谱信息转换成密度信息,然后利用局部协方差矩阵表示方法（Local Covariance Matrix Representation,LCMR）对中心像素进行协方差矩阵表征,在协方差矩阵中的每个非对角条目代表两个不同特征之间的相关性,这引入了一种自然融合可能相关的多个特征的方式。最后利用矩阵对数函数将基于黎曼流形空间的协方差矩阵转换到欧几里得空间,再反馈给支持向量机（Support Vector Machine,SVM）进行分类。实验结果表明该方法充分利用像素间的空间信息,有效的避免了同物异谱和异物同谱对分类精度的影响,其分类性能优于其他空谱特征提取算法。（2）从背景中提取知识,比较检测目标与背景的差异程度来识别异常目标是当前的主要策略。但因异物同谱对精确特征提取的影响,背景中仍存在与背景像素相似的潜在的异常像素,直接引入背景知识进行计算会使得检测精度降低。因而,提出了一种空间密度信息背景纯化（Spatial Density Background Purification,SDBP）的高光谱遥感图像异常检测方法。该方法采用密度峰值聚类算法提取单窗口内的纯净背景集,有效地去除背景中的潜在异常像素。然后,利用协同表示算法（Collaborative Representation Detector,CRD）得到测试像素的检测结果。考虑到每个像素的邻域为其同质区域,因而采用双窗口策略来改进上述方法。计算大、小窗口之间像素的局部密度,同时删除小窗口中所有像素。这使得背景信息更加精细,降低了误报率,并优化了检测性能。实验结果显示:该算法能够有效去除噪声及增强异常目标与正常背景之间的可分离性,从而达到从图像中提取纯净背景集、分离异常目标的目的,有效提高检测精度。（3）基于窗口的特征提取操作是高光谱异常检测的常规技术。然而,在复杂的背景知识下,提取的包含异常信息的背景知识通常会影响测试像素的属性。针对这一问题,提出一种空间密度双协同表示（Dual Collaborative Representation,DCR）的高光谱异常检测方法。首先,通过低秩和稀疏矩阵分解（Low-Rank and Sparse Matrix Decomposition,LRa SMD）算法提取低秩背景矩阵,得到具有低秩属性的背景像素集。然后,采用密度峰值聚类算法提取双窗口内的纯净背景集,同时,也利用单窗口策略提取测试像素的邻域像素,并协同表示测试像素。最后,利用融合基于双窗口的协同表示和基于单窗口的协同表示得到最终的检测结果。实验结果表明:该算法可以有效的提取具有低秩特性的背景像素集,达到显著突出目标而抑制背景信息的目的,而且其检测精度优于其他常用的异常检测方法。综上所述,本论文针对高光谱遥感图像特征提取问题,研究高光谱数据空间维和光谱维结构特征,深度挖掘高光谱图像空谱相关性,提出基于空间密度遥感图像特征提取及异常检测方法,并通过实验分析证明了所提算法的优越性及鲁棒性。