高光谱图像是将地物几十乃至几百个波段的光谱和相应的空间图像有机结合的三维图像,其丰富的光谱信息大大提高了目标的检测能力,因此,针对高光谱图像进行目标检测已成为遥感技术的一个重要应用研究方向。然而,由于成像光谱仪的空间分辨率一般比较低,导致高光谱图像中普遍存在混合像元。混合像元问题对地物的检测和识别提出了很大的挑战,是高光谱图像目标检测方法面临的一个亟待解决的难点。因此,针对高光谱图像亚像元级目标检测的研究是当前遥感技术深入发展的关键问题之一。目前,目标检测算法中针对亚像元级的目标检测大都基于子空间模型。因此,本论文主要研究基于子空间分析的亚像元级目标检测技术。在系统分析前人研究成果的基础上,本文着眼于如何改进现有的线性光谱混合模型算法,及重点研究如何运用核方法将经典的基于线性光谱混合模型的目标检测算法扩展到非线性特征空间,解决非线性光谱解混难的问题。论文的主要研究工作如下:1)针对约束线性判别分析(CLDA)是有监督的检测方法,需要知道全部的目标和背景知识进而构造大量训练样本的问题,从特征提取的角度提出了一种用于高光谱混合像元分类的非监督约束线性判别分析算法(UCLDA)。UCLDA首先利用顶点成分分析(VCA)提取端元,然后用光谱角匹配方法(SAM)构造训练样本并基于约束线性判别分析(CLDA)进行特征提取,最后用最小距离法分类。由于端元提取是非监督的,所以整个算法实现了非监督分类。对模拟的高光谱数据和真实的高光谱图像进行仿真研究,结果表明UCLDA略优于最小二乘光谱混合分解技术,但明显好于经典的光谱角匹配分类。2)约束线性判别分析(CLDA)方法是一种带约束条件的以类间距离与类内距离之比最大为准则的目标检测方法。该方法要求各类均值沿着相互正交的方向,是一种约束的正交子空间投影(OSP)。由于CLDA最终得到的是像元在各正交向量的投影值,而非估计的端元成份。因而,按照信号空间投影(SSP)将OSP扩展到后验模型且成功地解决OSP需要先验知识的问题的思路,本文把CLDA与后验光谱混合模型相结合提出了改进的约束线性判别分析(MCLDA)方法。MCLDA实现了估计端元丰度的能力,因而可以对目标进行量化级的研究。经对模拟高光谱数据和AVIRIS数据进行仿真研究,结果表明MCLDA性能优于CLDA和最小二乘法。3)为了实现非线性混合下的亚像元级目标检测,核正交子空间投影作为正交子空间投影的非线性推广,运用核函数理论,在不需要确定具体的非线性映射函数下将高光谱数据从低维空间映射到高维特征空间,使得混合像元在特征空间中可以用线性混合模型来表示,再在特征空间中应用正交子空间投影。该方法不仅揭示了典型地物光谱之间的高阶性质,而且增强了对噪声的鲁棒性。本文这部分主要工作是对核正交子空间投影进行了系统的理论分析和推导,并指出了H.Kwon提出的核正交子空间投影(KOSP)理论分析存在的错误。仿真数据和真实高光谱图像数据实验均证明了本文提出的核正交子空间投影是正确且有效的,优于OSP。4)针对非线性混合下的亚像元级目标检测问题,本文提出了一种基于核函数的信号空间正交投影方法(KSSP)。该方法为信号空间投影方法(SSP)的非线性推广,其首先将原始空间中像元矢量经非线性映射转换到高维特征空间,然后在特征空间中用SSP进行目标检测。如KOSP一样,通过核方法,核信号空间投影不必知道具体的非线性映射形式。经模拟数据与真实高光谱图像数据实验证明,KSSP方法在目标检测性能上优于SSP,且对噪声的抑制也有很好的效果。