高光谱传感器空间分辨率有限并且地物信息复杂多样,每个像元包含了较多的物质信息,使混合像元在遥感图像中大量存在。为了能够从高光谱遥感图像中进行精确的目标区域检测和分类,前提是能够在图像中准确的提取到有代表性的目标像元。本文主要基于一种密度峰值聚类算法对高光谱遥感图像各个像素点的距离和密度进行统计分布,对不同属性像素进行分析,从而有效快速的划分噪声点、类别中心以及背景像素。本文结合这种聚类思想,对高光谱图像目标提取算法进行研究和改进。论文主要工作分为如下四大方面:(1)将密度峰值聚类方法扩展应用到高光谱图像中,用光谱距离代替像素值差异进行分析,通过对构造的模拟图像分别加入不同类型的噪声,分析不同类型地物目标在密度峰值决策图中的分布特点,以及不同噪声情况对密度峰值的影响,以便于在目标提取时获取更好的候选区域。(2)结合密度峰值聚类算法,改进自动目标检索算法和单形体增长算法为C-ATGP和C-SGA算法,来降低成像过程中突发噪声对目标提取的影响。ATGP和SGA属于特异性目标提取方法,对突发噪声的敏感性较强。为了能够从图像中准确的提取到有代表性的目标像元,本文在使用ATGP和SGA算法提取目标像元之前,根据密度峰值决策图的结果对图像进行预处理,目的是剔除不感兴趣像元,从而提高目标提取的有效性。通过对模拟和真实图像上的实验结果数据分析,在预处理后的高光谱图像中使用ATGP和SGA提取目标的有效性好于在原高光谱图像中直接进行目标提取的效果。(3)基于密度峰值聚类算法,提出了一种按类别进行目标提取的CFDP-ATGP算法,该算法核心思想是在每个簇中选取候选目标像元,主要是为了提取到类别中比较纯的目标像元。通过对模拟和真实图像上的实验结果数据分析,CFDP-ATGP算法提取的目标有效性好于传统的SGA和ATGP算法,并且提取的目标更接近于纯像元(端元)。(4)为了降低复杂背景对感兴趣类别目标提取的影响,基于密度峰值聚类算法的特点提出了三种加权方式,分别对ATGP、NMF、SGA算法进行改进。为不感兴趣像元和复杂背景像元赋值较小的权重,密度高的像元赋值较大权重,从而提高目标提取的有效性。在模拟图像和真实图像中,验证W-ATGP,W-SGA,W-NMF加权算法的三种加权方式的有效性。实验结果分析,几种加权目标提取算法提取目标的有效性均在原始算法上有所提高。