高光谱图像是一种同时涵盖地物空间信息和光谱信息的新型遥感图像,一般来说其光谱分辨率在10nm到20nm左右。对比多光谱图像,高光谱图像包含更多光谱波段。几百甚至上千波段的光谱信息可以反应不同地物间的细微差别,这为目标识别和地物分类技术的迅速发展奠定基础。根据是否使用先验信息(一般为地物光谱信息),目标检测可以大致分为两类:有监督目标检测和非监督目标检测。我们通常将非监督目标检测称为异常目标检测。异常目标检测通过分析被检测像元与其近邻域像元(背景)光谱差异,直接判断该像元是否为异常目标。一般情况下,近邻域像元存在的异常像元会削弱异常目标和背景像元间的光谱差异。通过获得一个不包含异常目标的纯净背景可以有助于提高异常目标检测算法的检测率。本文主要研究背景纯化方法,即将初始背景中的潜在异常去除。并将背景纯化方法与当前的高光谱异常检测算法相联合,提高其检测率。本文的主要研究内容如下:首先,经典的RX算法(Reed-Xiaoli detector,RXD)在背景统计信息估计时,因初始背景中存在异常像元而产生失真现象。这使RX算法的检测结果具有较高的虚警率。针对此问题,提出一种基于局部密度的背景纯化方法。将像元的局部密度作为该像元的异常度标签,通过最大类间方差法去除初始背景中潜在的异常像元,我们最后可以得到更为纯净的背景集。利用纯化背景得到更为准确的背景统计信息,可以有效降低RX算法的虚警率。其次,针对基于局部密度的背景纯化方法需要通过多次实验选择邻域半径使检测效果达到最好的问题,在原背景纯化方法的基础上加入了一种邻域半径自适应计算的方法。将改进的背景纯化方法同RX算法和基于协同表示的异常检测算法(collaborative-representation-based detector,CRD)相结合,检测高光谱图像中的异常目标。实验结果显示,改进背景纯化方法可以有效提高检测算法的检测率。最后,提出一种联合概率密度估计与协同表示的异常检测算法。同局部密度模型相比,每个背景像元对估计值都有所贡献。像元概率密度越小,像元异常程度越大。首先计算初始背景中每个像元的概率密度。然后,通过最大类间方差法去除高光谱初始数据中的异常程度较大的像元,同时得到纯化的背景。最后,将纯化后的背景联合CRD检测高光谱图像中的异常目标。