高光谱遥感图像集光谱与空间信息于一体,是一种三维的图像数据。与单波段的图像相比,高光谱图像包含了更加丰富的光谱信息。高光谱图像异常检测是高光谱图像处理中一个重要的研究方向,其是指在物体光谱信息未知的情况下对图像中的异常点进行检测,目前广泛应用在侦察、环境监测等方面。本文针对高光谱图像的数据特性与现有异常检测算法的不足,从高光谱图像的异常信息提取以及充分利用空间信息两个角度研究实现了高光谱图像异常检测算法。研究了一种基于非线性降维与图像融合的高光谱图像异常检测算法。针对高光谱图像数据量巨大难以处理的特点,该算法对图像进行非线性降维并提取异常信息,并通过融合处理,进一步优化算法的检测性能。算法使用核主成分分析与独立分量分析对原始高光谱图像进行数据降维,将非线性降维与线性降维算法相结合,降低了对高光谱图像直接处理的难度,并能够充分地挖掘高光谱图像中包含的信息。利用联合偏度-峰度指数进一步对异常分量进行提取,使得到的异常分量包含更多的异常信息,从而有利于后续异常检测算法的处理。算法突破传统单一角度的处理方式,采用基于马氏距离、中值滤波以及奇异值分解的三种算法对异常分量进行检测,最后通过基于小波变换的图像融合算法对检测结果进行融合,进一步提升了检测性能。研究了一种基于空谱联合协同表示的高光谱图像异常检测算法。将异常检测向空间维度拓展,克服了传统的异常检测算法只局限于利用光谱维度信息的缺点,从而提升了检测性能。该算法基于协同表示原理,对原始高光谱图像进行局部线性嵌入降维与潜在异常信噪比处理,得到的异常分量进行空间维度的协同表示异常检测,以此检测结果作为后验信息,构建近似背景的高光谱图像,从中获取背景字典,辅助光谱维度协同表示过程中权重系数的构建,进而得到算法最终的检测结果。算法利用一次检测结果作为后验信息辅助二次异常检测,大大提高了算法准确度。本文利用ROC曲线图与曲线下面积对算法性能进行评估,两种研究实现的算法各自对比五种典型算法,结合真实高光谱图像进行异常检测仿真实验,实验结果表明研究的两种算法能够很好地突出目标,抑制背景,具有优良的异常检测性能。