随着各种成像设备和应用需求的发展，影像数据格式经历了由全色图、彩色图、多光谱图像到高光谱图像的发展。丰富的影像数据为我们处理不同的实际问题提供了强大的数据支持。其中，数据的异常分析因其特有的应用特性，是一类重要的研究问题。异常分析在不同影像谱段数目中有不同的体现形式，在可见光图像中，主要是指基于视频内容的异常行为检测;而在高光谱数据中，主要指高光谱图像的异常目标检测。人群异常检测是当前智能监控的研究热点，对人群行为进行准确的分析，并且及时对异常行为进行响应处理，能够有效加强公共管理和公共安全保障，促进平安城市的顺利推进。高光谱图像的异常目标检测，就是利用丰富的光谱特性，定位出图像中与背景相比光谱显著偏离的像素点，而不需要目标和背景的任何先验光谱信息。这样的无监督技术特性，使得高光谱异常检测具有非常广泛的实际应用。因此利用计算机视觉和图像处理技术，对可见光和高光谱数据进行有效的异常分析，具有非常重要的研究价值。　　综上，本文分别围绕人群异常检测和高光谱异常目标检测问题，进行了深入研究，提出了一系列算法:　　1)人群场景复杂，密集性较高，活动多样，异常检测难度性高。依赖于追踪技术的算法难以准确追踪每一个个体，会造成较大的检测误差，而依赖于大量可用有标记的表现为正常模式的训练样本的算法，实际中又难以满足这一要求。为了克服这些问题，本文提出了基于在线学习的人群异常检测算法。该方法从个体与人群的作用关系出发，自适应选择典型的运动个体，有效避免了对固定目标从开始到结束的全程追踪，同时动态更新运动目标信息，不需要长时间的训练过程，有效提高异常检测的准确性。　　2)高光谱图像地理覆盖范围广，包含物质材料多样，图像场景复杂。依赖于背景分布假设的算法，难以对背景分布进行准确地描述，获取真实的背景分布统计估计，因此数据适应性差，易产生较大的检测误差。为此，本文提出了基于图像素选择过程的高光谱异常检测算法，避免数据的分布假设，将流形学习技术与拓扑图模型相结合，建立顶点-边缘权重图，构建异常目标选择过程，根据像素间的光谱差异性，选择出具有最弱连接关系的异常目标。同时利用顶点和边缘的相互作用关系，能够有效增强异常目标和背景之间的差异性，提高算法的检测性能和数据适应性。