在遥感图像中,具有光谱波段数多、分辨率高、图谱合一等特点的高光谱图像在军事、农业、海洋以及地质探测等多个方面得到了十分广泛的应用。异常目标检测作为高光谱图像应用的关键一部分,一直是专家学者研究的一个热点^[1]。但由于高光谱数据庞大,对于矩阵数据的处理比较困难,而且由于在异常目标检测中复杂背景以及各种噪声的影响,使得对于高光谱图像,其异常目标的检测存在较大的挑战^[2]。本文主要针对海背景的高光谱图像,介绍了海背景图像仿真方法以及目标背景光谱特征的分析,并针对高光谱图像异常目标提出了基于稀疏表示模型、低秩和稀疏表示模型的检测算法。论文的主要研究内容如下:第二章研究了基于海背景的图像仿真与特性分析。由于现阶段基于海背景的高光谱图像数据集较少且很难获取,而海背景的红外图像获取简单。我们介绍了一种由海背景红外图像为基础,利用高斯模型仿真出整幅高光谱图像的方法,并进行了实验与对比,证明了仿真方法的可用性。然后,我们引入了辐射亮度差、对比度和光谱角等概念,并对目标和背景的光谱特征进行了深入的分析。第三章研究了基于核稀疏（KSR）表示的异常目标检测算法。该算法主要是针对无岛屿和比较纯净的海背景的情况下,对异常目标进行检测。稀疏表示模型的关键在于高光谱图像的背景和异常目标位于不同的子空间,由背景元素构成的字典很难表示异常目标,由此可以由此将异常目标检测出来^[3]。本章在稀疏表示模型中,加入了核函数以及“和为1”约束,在实际的高光谱数据集和仿真的纯净的海背景数据集上取得了较好的性能。第四章研究了基于低秩和稀疏表示模型（LRASR）的高光谱图像异常目标检测算法。主要是基于高光谱图像的二维拓展矩阵可以分为一个稀疏的矩阵与一个低秩的矩阵之和,而其中稀疏的矩阵即可用来进行异常目标检测。因为一般的算法在异常目标检测的处理过程中往往容易忽略全局结构,而低秩与稀疏表示模型是基于全局矩阵进行变换,这使得一部分在局部认为异常的背景点能较好的剔除掉。所以说,本文通过改进提出的算法适用于在存在岛屿的海背景图像中。本章最后对算法进行了实验,证明了该算法的优良性能。