星载高光谱图像（Hyperspectral Image，HSI）异常检测可在无光谱先验信息的条件下，发现与背景光谱存在显著差异的像素或目标，在军事侦察和灾害监测等领域得到广泛的研究。近年来，星载高光谱遥感系统的光谱、时间和空间分辨率不断提高，在轨HSI数据生成速率不断提升，而相应的星地数据传输瓶颈（星地可视时间、链路带宽等）日益显著，给地面HSI的实时处理带来极大挑战，进而难以满足不断涌现的各类高时效性异常检测任务需求。因此，当前亟需突破星载HSI异常检测技术，有效解决局部异常污染导致的漏检以及检测计算量大造成的检测效率过低等迫切挑战，实现检测能力可控前提下的检测效率提升，以有效缩短时效性检测任务的响应时间。
　　鉴于此，本文以稀疏表示理论为基础，开展高光谱图像异常检测方法研究，针对过完备字典易受异常污染而导致漏检的问题，研究一种可通过稀疏系数修正抑制异常污染影响的HSI异常检测方法，提升低漏检率约束下的异常检测能力；在此基础上，针对同质背景样本冗余以及检测计算负担对传统星载计算系统结构提出的算力挑战，以未来星载计算系统结构的必然选择之一——现场可编程门阵列（Field Programmable GateArray，FPGA）作为硬件基础平台，通过软硬件协同的优化设计方法，探索进一步减少冗余训练样本量，并压缩矩阵求逆和模型推理计算开销的方法，以提高星载时效性高光谱图像异常检测任务的计算效率。综上，本文的主要研究工作包括如下三个方面：
　　（1）针对局部检测方式下基于稀疏表示的HSI异常检测方法的异常污染问题，提出一种基于稀疏表示系数修正的HSI异常检测方法（Modified Coefficients Sparse Representation Detector，MCSRD）。构建具备约束字典原子系数期望的稀疏表示方法，基于深度学习堆叠自编码器（StackedAuto Encoder，SAE）的重建误差逼近异常污染概率函数，降低被异常污染的过完备字典原子系数的期望，以降低漏检风险；同时，在SAE非线性映射基础上对被测像素进行稀疏分解，以提高对异常目标的检测能力。实验表明，该方法抑制了异常污染对异常目标的检测影响，提升对背景像素与异常目标的区分能力，从而可提高HSI异常检测能力，为星载HSI异常检测提供了方法基础。
　　（2）针对高光谱图像中背景地物样本冗余造成的模型更新效率低的问题，提出一种面向MCSRD的基于快速秩和检验的背景样本筛选方法（Selected-based MCSRD，SMCSRD）。通过分析被检验背景样本更替关系，复用样本排序信息，构建基于样本重建误差的快速秩和检验方法，快速筛选出尚未用于SAE模型更新的背景地物，以避免将重复出现的地物背景作为冗余训练样本导致模型更新效率低下的问题。实验表明，该方法相对无背景筛选的MCSRD检测方法，可有效地降低检测时间，提升算法的综合检测效率，并能继承MCSRD的检测能力，为星载HSI异常检测提供了高效的模型更新方法。
　　（3）针对基于稀疏表示的高光谱图像异常检测中矩阵求逆及SAE运算存在大量冗余计算的问题，提出一种面向星载异常检测的模型约减方法。首先基于稀疏表示字典原子交叉重叠方式，构建字典原子位置及差异变换矩阵，复用已处理信息，实现低计算复杂度的稀疏表示系数求解；在此基础上，通过建立并求解以ROC曲线下面积和相对算量因子为适应度函数的SAE剪枝量化优化问题，确保在检测能力可控的条件下，依托算法软硬件协同设计方法，面向FPGA可定制计算结构特点，压缩SAE网络规模和算术运算数据位宽，以降低单像素检测所需的硬件资源消耗，减少检测时间。实验表明，该方法可有效降低稀疏系数求解的计算量，并提升SAE推理计算效率，在保证检测能力损失可控条件下，相对SMCSRD进一步降低像素平均检测时间，提升异常检测效率，为实现星载HSI异常检测提供一种新颖的解决思路。