高光谱图像拥有成百甚至上千个波段,具有图谱合一的特点,与多光谱图像相比,不仅分辨率更高,而且包含更加丰富的空间和地物信息,通过对比分析目标光谱曲线,可以完成在其它成像模态下难以完成的目标检测任务。高光谱图像的目标检测通常包含图像降维、混合像元分解以及目标检测与识别等环节,论文围绕高光谱图像的小目标检测问题开展研究,主要研究工作如下:研究了高光谱图像数据的降维及混合像元分解,在这两个方面对几种算法进行了实现,完成高光谱图像的降维、目标端元提取以及丰度反演等功能,结合实验对算法进行了分析和总结。对经典的高光谱图像目标检测算法进行了介绍和分析,在有限的实验数据条件下,通过在高光谱图像中线性植入目标的模拟成像方式,对几种目标检测算法进行了实验评估与分析。针对高光谱图像目标检测中容易出现的过拟合现象,提出了一种基于稀疏矩阵变换(sparse matrix transform,SMT)的正则化框架,这个框架能够很好的与需要求解逆矩阵的目标检测算法结合起来。实验证明基于此框架的目标检测算法如SMT-Re-CEM、SMT-Re-MF能够取得更好的检测效果。