光谱成像技术出现于二十世纪八十年代,该技术的问世创新性地将物质成分决定的光谱信息与反映物质空间存在信息结合起来,即对某一物体记录其空间信息的同时赋予了物体独特的光谱信息。后来,人们利用这种技术进行远离目标和非接触目标物体条件下的探测,并进行提取、判定、加工处理和分析应用等,这就是所谓的遥感技术。随着技术的进步,短短几十年内,遥感技术经历了多光谱遥感发展到了现在的高光谱遥感,与多光谱相比,高光谱遥感可以提供更加丰富光谱信息,其光谱分辨率也较高,这就使得高光谱遥感具有了巨大的数据量,大大提高了后期数据处理的难度,尤其是在一些快速性要求较高的应用中,数据处理严重滞后。因此,如何加速数据运算速度,提高算法的执行效率,提高目标检测的时效性是一个刻不容缓的问题。基于以上问题,本文针对高光谱遥感目标检测算法效率问题,提出一种将目标检测快速算法作用于GPU (Graphics Processing Unit)的并行处理方法;针对目标匹配算法中稀疏系数求解较慢这一问题,提出基于因果字典残差更新的快速OMP (Orthogonal Matching Pursuit)算法,并实现了 GPU数据并行处理,针对KRX (Kernel RX)算法检测效率不高的缺陷,提出采用核递归思想的异常目标检测算法。主要内容包括以下方面:首先,在实际应用中,高光谱遥感信息快速处理要求较低的算法复杂度和高效的数据运算。传统的RX算法及其相关算法的效果并不理想,计算效率较低,本文对异常目标快速检测算法做了推导,提出在GPU架构下的并行处理方法,充分利用了 GPU多运算核心的优势,通过CUDA (Compute Unified Device Architecture)编程实现了高光谱数据的加速计算,获得了较高的加速比,基本可满足一些应用对于快速处理的需求。其次,稀疏理论逐渐应用到高光谱目标检测算法,但稀疏系数求解速度较慢,针对这一问题,提出基于因果字典残差更新的快速OMP算法,通过应用Hermitian引理避免了高维矩阵数据重复计算,为进一步提高算法执行效率,调用GPU大量线程并行计算,与串行算法相比,并行处理方法在效率上加速高达33.2倍,实现了快速处理。最后,基于核机器学习的KRX算法能充分利用高光谱波段间的非线性光谱特性,在数据的光谱特性空间进行探测,能获得较好的检测效果。但KRX算法仍具有计算复杂度较高的缺陷,因此,引入了 Woodbury引理实现像元级的Gram核矩阵更新,避免了核空间高维数据的重复计算,实验结果显示,与传统算法相比,缩短了算法检测时间,目标检测效率有所提高,满足快速处理的要求。