近几十年来,空间光学遥感技术迅速发展。光学遥感图像由多光谱发展进入到高光谱的新阶段。高光谱图像具有高的光谱分辨率、空谱结合等优点,在民用领域和军事领域得到了广泛应用,推进了地质勘探、农林监测、军事侦察等领域的快速进步。而异常检测是高光谱图像处理方面的重要研究课题之一,以无需先验信息而实现离群点的分离为特点,可以快速对图像中感兴趣的区域进行定位。近几年,国内外许多学者在高光谱异常检测领域取得诸多成就,但是真实的地面场景通常较为复杂,无法简单地对高光谱图像的背景进行统计学建模,以及高光谱图像中的一些纹理信息会导致属于同一类地物的像元的光谱出现变异性,这些都会使得现有的一些异常检测算法存在不足。本文将从高光谱图像自身固有的特性出发,充分结合光谱信息和空间信息,构建高光谱图像自适应区域,开展高光谱遥感图像异常检测方法研究工作。主要研究内容与创新性成果叙述如下:1.目前,大多数高光谱异常检测算法需要对高光谱图像的背景进行描述,但由于真实地面场景通常较为复杂,往往无法对背景进行准确地描述,从而导致异常检测算法的检测性能降低。另外,只考虑异常像元和背景像元之间的光谱差异,而忽略图像中的空间信息,通常无法获得最佳的异常检测效果。针对这两个问题,本文第三章提出了一种基于光谱选择性搜索(Spectral Selective Searching,TripleS)的高光谱异常检测方法,优点在于无需对背景分布进行假设。将基于图论的图像分割方法应用于高光谱图像中,并提出一种动态的光谱相似度算子,构建出形状、大小自适应的区域。以自适应区域为异常检测处理单元,通过计算相邻区域的光谱相似度并利用贪心算法,将自适应区域进行进一步的区域融合,那些具有相似光谱特征的、相邻的自适应区域将被融合,而无法与相邻区域实现融合的区域即为待检测的异常目标,从而实现高光谱图像异常目标的准确检测。实验结果表明,光谱选择性搜索异常检测方法不仅取得了相对较好的异常检测效果(测试图像AVIRIS-Ⅰ的异常检测结果AUC(受试者特性工作曲线右下方与坐标轴的面积)值为0.9997,测试图像URBAN的异常检测结果AUC值为0.9998),而且获得了理想的背景与异常分离程度。2.针对现有的、基于双窗结构的局部高光谱异常检测算法中存在的局部背景被异常污染从而导致异常检测性能降低的问题,本文第四章提出了基于背景筛选算法。利用自适应区域和区域融合的结果对高光谱图像中的像元进行背景或异常的初步判断,并对双窗口所框出的局部背景进行筛选,筛除待检测像素的邻域像素集中的异常像元,减小局部背景被异常污染的可能,从而提高基于双窗口的异常检测算法的检测性能。以局部RX算法和协同表示算法为例,在这两种局部算法中引入背景筛选过程,提出基于背景筛选的协同表示算法和基于背景筛选的局部RX算法。实验结果表明,背景筛选能够有效缓解双窗口中局部背景被异常污染的情况,提高了双窗口异常检测方法对于具有较大且形状不规则的异常目标的高光谱图像的异常检测能力(测试图像AVIRIS-Ⅰ在不同的双窗尺寸下的异常检测结果AUC值平均提升24.46%,测试图像Airport在不同的双窗尺寸下的异常检测结果AUC值平均提升12.11%。),同时降低了局部异常检测算法的异常检测效果对双窗尺寸的依赖性(测试图像AVIRIS-Ⅰ在不同的双窗尺寸下的异常检测结果AUC值标准差为0.15,改进后的标准差为0.04;测试图像Airport在不同双窗尺寸下的异常检测结果AUC值标准差为0.082,改进后的标准差为0.009。),在多种双窗口尺寸下都能实现较好的异常检测效果。3.针对高光谱图像中复杂的纹理信息可能会增加属于同一类地物的像素的光谱变异性以及基于k-means的背景字典构建方式的不稳定性从而导致异常检测性能的降低以及不具有鲁棒性等问题,本文在第五章中提出了基于双尺度相对全变分联合低秩稀疏表示的高光谱异常检测算法。该算法首次将相对全变分模型应用到高光谱异常检测领域中,采用双尺度相对全变分模型对高光谱图像中的结构信息进行提取,同时利用自适应区域取代基于k-means的分割方法构建更为精确和稳定的背景字典,最后用交替迭代方向法对背景矩阵和背景稀疏表示系数进行求解,求取残差矩阵中每个像元的响应来判断该像素是否为异常像素。实验结果表明,双尺度相对全变分联合低秩稀疏表示高光谱异常检测算法不仅能够对图像中的异常进行有效检测(在四幅典型的高光谱图像上进行实验验证,相比于采用k-means构建背景字典的低秩稀疏表示异常检测算法运行50次的平均AUC值,该算法所得的AUC值提升了4.63%),而且对图像中的背景有着很好的抑制效果,同时有效解决了基于k-means的异常检测算法不具有鲁棒性的问题。