异常目标检测在高光谱图像(Hyperspectral Images,HSI)处理领域发挥越来越重要的作用。绝大多数的异常检测算法通过建立背景模型,并利用异常与背景之间的差异来区分它们。如何构建一个没有异常目标污染的背景模型是一个非常关键的问题,而低秩稀疏矩阵分解算法(Low-Rank and Sparse Matrix Decomposition,LRaSMD)可将背景和异常区分开,因此可以极大地减弱异常目标对背景的污染。本文提出了一种基于低秩稀疏矩阵分解和稀疏字典表达(Low-Rank and Sparse Matrix Decomposition-Sparse Representation,LRaSMD-SR)的高光谱异常目标检测算法,本算法首先通过LRaSMD的方式获取背景集,然后通过稀疏表达的方式从背景集中构建背景字典模型,最后通过计算重构误差来检测异常点。我们提出的算法在模拟和真实数据上都进行了有效性验证,实验结果证明我们提出的算法具有非常好的异常目标检测性能。