高光谱图像因其兼具空间信息和光谱信息的特点,能够更丰富、更准确地描述被探测场景,在目标检测及图像分类领域显示出独特的优势。针对未知目标、未知场景下的目标实时探测识别,由于缺少先验信息,非监督分类技术成为合理的选择。随着高光谱获取手段的增加,高光谱图像质量越来越高,数据量越来越大。如何克服庞大的数据量,更加高效的利用丰富的高光谱信息完成快速且准确的图像分类成为棘手问题。特别是未知目标的尺寸过小,离散分布时,受噪声影响难以检测,如何应对噪声干扰,有效地识别离散小目标成为另一个关键问题。针对非监督分类中传统聚类算法在分类过程中结果不稳定、精度差“噪点”多、算法复杂耗时长等诸多缺点,本文研究提出一种基于归一化光谱向量的高光谱图像实时性非监督分类方法。该方法利用空间一致性实现“空-谱联合”分类以提高精度,利用归一化光谱向量统一了像元处理方式,设计高效率的算法,并利用GPU并行技术以提升速度。本文的理论分析和实验结果显示,与现有非监督分类方法相比,该算法分类精度更高,运行速度更快。此外,在小目标检测领域,传统算法集中在从图像维信息量角度将探测区域上的“数据异常”区分出来,一方面对高光谱数据的利用率较低,另一方面当高光谱图像维数增加时,巨大的数据量会造成“计算灾难”。本文研究提出了一种基于光谱曲线差异性的小目标检测算法,该方法利用邻域像元相似性结合小目标尺寸特点完成降元,利用奇偶序列插值取样结合小目标光谱特异性分离噪声,提高了高光谱数据的利用率。本文的理论分析和实验结果显示,该算法无需先验信息,运算量较小,具有较好的小目标探测准确度。本文正是围绕高光谱图像实时目标识别,聚焦于上述两个问题,从高光谱图像数据的空间特性和光谱特性出发,结合图形处理器(graphic processing unit,GPU)并行技术,分别对高光谱图像分类及小目标识别开展了相应的研究。