光谱影像的智能检测是光谱影像处理和分析领域的重要研究方向。如何利用光谱影像数据,更有效服务地理环境监测、食品安全、医药卫生和精准农业等国家重大需求,已经成为光谱影像智能检测应用研究领域的核心问题,而光谱影像的异常检测和变化检测是光谱影像智能检测的热点研究课题。因此,本论文将重点研究光谱影像的异常检测和变化检测。光谱影像的异常检测和变化检测在很多领域都存在广泛应用,比如精准农业,食品安全和药物安全检测、城市扩张监控、土地覆盖变化、资源管理和灾害评估等。由于光谱影像的异常检测和变化检测具有很强的实用价值,它们都是光谱影像智能检测领域的热点研究方向。虽然光谱影像的异常检测和变化检测均取得了较好的发展,但是仍然存在以下问题:1)构建的复杂背景模型不够准确;2)对光谱数据本质结构信息的探索不足;3)对空间信息和光谱信息的利用不够充分。针对上述存在的问题,本论文从四个方面展开了面向光谱影像的智能检测算法研究,主要研究内容和贡献点归纳如下:(1)基于相似性约束凸非负矩阵分解的高光谱异常检测算法。高光谱影像由于其空间分辨率比较低,混合像元的存在不容忽视。混合像元会导致背景和异常之间的差异不够显著。本论文从端元的角度出发,采用由相似性约束凸非负矩阵分解算法得到的端元来构建基矩阵,提高了难分类样本的检测精度。(2)基于流形约束自编码网络的高光谱异常检测算法。自编码网络和深度置信网络由于没有考虑高光谱数据的局部特性,因此其学到的潜在特征表达并不一定能真实反映高光谱数据的本质结构。本论文通过流形学习来约束自编码网络学习潜在特征表达的过程,在学习潜在特征表达的过程中融入了高光谱数据的局部特性;并通过融合全局和局部重构误差来提高异常检测的精度。(3)基于半监督由粗到细的多光谱变化检测算法。多光谱影像只有几个到几十波段,其光谱信息比较有限,并不能很好地表达目标。本论文以多尺度为手段,同时利用了光谱影像的空间信息和光谱信息;通过加强易分类样本对训练分类器的贡献和减弱难分类样本对训练分类器的贡献来获得更具有判别性的度量矩阵;从距离度量和空间上周围像素标签信息的角度出发,采用由粗到细的策略来提高变化检测的精度。相比于其他算法,在Kunshan数据集上检测精度提升了4%。(4)基于空谱联合学习的多光谱变化检测算法。本论文提出的空谱联合学习网络包括三个部分:空谱联合表达,特征融合和辨别性学习。空谱联合学习网络通过空谱联合表征与融合,深入挖掘了隐含信息和高层语义信息;并且其损失函数同时考虑了空谱联合表达和判别性学习这两部分的损失,使学到的特征更具判别性,提高了变化检测的精度。