1、高光譜遙感是一門新興的科學，是當前遙感技術的前沿。高光譜圖像同時包含了觀測場景中的空間信息和光譜信息，具有“圖譜合一”的特性，并且具有光譜分辨率高、信息量大的優(yōu)點，可大大提高在目標檢測過程中對目標進行定性和定量分析的能力，在軍用和民用的許多方面已體現(xiàn)出了巨大的應用價值。高光譜遙感提供了多個空間分析的可能，通過深度挖掘光譜空間可以提取目標精細的光譜信息，對這些信息的綜合處理，提取體現(xiàn)目標本質的光譜特征將有助于提高目標探測的準確性和精確性。

2、高光譜圖像特征空間的集成分析也是高光譜技術發(fā)展的一個重要方向，近年來發(fā)展起來的核方法和集成學習理論以其高效非線性數(shù)據(jù)處理與信息提取能力以及小樣本學習和高維數(shù)據(jù)高效計算能力，在高光譜圖像目標探測與識別領域表現(xiàn)出優(yōu)越的性能，已成為重要技術研究內容?；诖吮菊n題進行了以下幾方面的研究：
　　首先，以模式識別的角度分別從統(tǒng)計模型和小樣本學習模型對經(jīng)典檢測算子進行研究，并對當前異常檢測算法中存在的問題進行了分析。
　　其次，針對當前檢

3、測算法中的不足之處以及高光譜圖像數(shù)據(jù)本身的特性要求，本文基于核方法提出兩種面向異常檢測的高光譜圖像特征變換方法，從而獲得對異常目標在特征空間中更有效的表達，接下來結合基于局部奇異性度量的特征選擇方法和經(jīng)典檢測算子分別構造了基于異常目標成分提取的異常檢測方法和基于異常信息稀疏子空間估計的異常檢測方法。
　　最后，本文將集成學習理論引入高光譜圖像異常檢測領域，完成了基于集成學習的高光譜圖像異常檢測系統(tǒng)的建立。通過原始數(shù)據(jù)空間劃分、子檢