高光谱遥感数据图谱合一的特点使其作为一个图像立方体包含了远比全色或多光谱图像更为丰富的地物信息,有着巨大的开发潜力,其中高光谱遥感图像的目标检测算法多年来一直是人们关注的热点。然而无论是图像处理中主流的基于空间信息的检测算法还是源自传统信号理论的基于光谱信息的检测算法都只利用了高光谱数据中很小一部分的信息,大量的有用信息没有被挖掘,同时高光谱遥感领域中标记样本的缺乏问题也制约了诸如深度学习等新兴热门算法的应用,阻碍了目标检测算法的发展。因此,基于不同程度的先验信息条件,探索和开发与之适应的充分结合空谱信息的高光谱目标检测算法具有重要的现实意义和应用价值,本文以此为出发点展开如下研究。针对缺少目标及背景先验信息情况下的高光谱异常目标检测,论文首先研究了高光谱图像的稀疏表示模型及其稀疏系数求解问题,采用了一种异常像元无监督检测的非负稀疏得分估计算法,结合异常目标光谱维的稀疏特性和稀疏字典的原子利用率实现异常检测并利用基于条件随机场的空间滤波进行后处理,充分利用像素邻域内的初始标签及光谱相似性对检测结果进一步细化,通过光谱与空间信息的耦合,提升了算法的检测性能。针对有少量目标先验光谱样本条件下的高光谱目标检测,论文提出了基于一维孪生卷积神经网络的目标检测框架,采用了一维孪生卷积神经网络实现对光谱的特征提取,进而在特征空间中用欧氏距离拟合输入光谱的相似性,完成对目标像元的匹配。孪生网络适用于小样本情况,能够利用像素对训练样本进行有效的监督学习从而解决了高光谱数据训练样本不足的问题。此外,论文对于基于光谱信息的初步检测结果利用空间滤波结合上下文信息加强了像元之间的关联,有效地实现了算法性能的进一步提升。最后,在有一定目标及背景样本标记信息的基础上,论文提出了基于多尺度全卷积神经网络目标检测算法。考虑图像光谱维度上存在大量冗余信息,论文引入了主成分变换对数据进行预处理并采用了相应的多尺度三维卷积核以更充分地提取高空间分辨率高光谱图像中的空间-光谱特征。同时针对高光谱图像训练样本稀少的问题,使用了旋转几何变换及光谱概率统计模型的数据增广方法,实现了训练样本集的多样化及扩大化,避免了模型可能出现的过拟合现象,对比实验表明了算法具有良好的可靠性及有效性。