高光谱遥感成像仪可获取同时包含空间和光谱信息的三维高光谱图像。利用高光谱图像的地物光谱特征,可以高精度的完成地物分类、目标检测和异常检测等。其中,异常检测不需要预先提供目标光谱先验信息就可以检测出与周围环境背景存在光谱差异的目标,而且可以不依赖于大气校正和辐射校正等复杂的预处理过程,因而更适合于星上实时处理应用场景。通过高光谱图像异常检测的星上实时处理来及时获取与背景相异的目标信息,对于提升信息获取的时效性是十分重要的。然而,高光谱成像仪的空间分辨率和光谱波段数的不断提升,带来了数据的维度灾难和由此导致的海量数据星上处理、存储和下传的技术难题。其中的关键问题是如何在兼顾处理速度和资源消耗的前提下,实现高光谱异常检测的在轨实时处理。为此,本文以RX算法作为研究对象,基于FPGA平台完成了基于特征提取的高光谱图像异常检测算法硬件加速实现。本文的具体研究工作如下:一、采用基于深度学习的方法完成对高光谱图像的特征提取,并在FPGA上实现了高效特征提取电路。高光谱图像存在波段噪声、数据冗余等,影响了像元级异常点检测精度的提升。本文使用深度置信网络(DBN)来提取深度特征,然后设计了一种高并发高吞吐率的特征提取电路,可以快速调整网络层数和层内神经元数,具有很强的通用性。二、为了达到实时处理的目标,对RX算法进行改进,并在FPGA上实现了RX异常检测电路。RX算法需要统计背景协方差矩阵生成滤波算子,存在大规模的矩阵求逆运算。本文采用了舍曼-莫里森快速求逆方法对求逆过程进行优化,将复杂且运算量不断增加的求逆过程优化为固定规模的迭代运算,完成RX的硬件实现。三、设计开发了标准化、模块化的DBN-RX实时处理硬件架构。使用基于HLS的FPGA硬件电路设计方法,提高硬件设计效率和架构设计的迭代速度。重点研究研究算法模块的逻辑复用、并行流水线设计问题,以最少资源代价实现最快的数据处理速度。最后从检测精度、资源消耗和检测性能三个角度对其进行评估和分析。实验表明,本文提出的硬件实现架构的处理速度达到了严格的实时性,同时保持了与传统算法几乎相同的高检测精度。