高光谱图像具有越来越高的空间和光谱分辨率，其带来了数据量大、相关性强和冗余度高的问题，使得异常检测结果精度不高。为了选择更加有利于异常检测的图像，运用二维主成分分析（2DPCA）方法降维，并引入局部联合偏度-峰度指数进行图像选择，提出了一种基于选择性分段2DPCA的高光谱图像异常检测方法。首先利用相关系数对原始图像进行分段，然后通过旋转数据结构在每个波段子空间中实现行-列二维主成分降维；再选择合适大小的窗口，遍历每个降维结果的主成分，计算窗口内的局部联合偏度-峰度指数，并以此为指标选择用于异常检测的图像。实验结果表明，所提方法的接收机工作特性（ROC）曲线、曲线下面积(AUC)值和Bhattacharyya距离值均优于其他传统的方法，因此具有更好的检测性能。

波段选择是重要的高光谱图像降维手段。为了达到降维的目的, 提出结合K-L散度和互信息的无监督波段选择算法, 并进行了理论分析和实验验证。首先选出信息熵最大的波段作为初始波段, 然后将散度与互信息量的比值定义为联合散度互信息(KLMI)准则, 选择KLMI值大且信息量也大的波段加入波段子集中, 选出信息量大且相似度低的波段集合, 最终利用k最近邻分类算法实现了基于最大方差主成分分析算法、聚类算法、互信息算法和本文中方法的真实高光谱数据分类实验。结果表明, 本文中的算法总体分类精度和κ系数均达到0.8以上, 高于其它算法;大多数地物的分类精度均得到提升, 具有较好的分类性能。该算法是一种实用的高光谱图像降维算法。

二维主成分方法计算时间少，降维效果好，被成功应用到高光谱图像降维中。基于二维主成分方法，为挖掘高光谱图像的非线性信息，实现了分段行-列核2DPCA 方法的降维，并对比分析了行-列2DPCA 方法、分段行-列2DPCA 方法和行-列核2DPCA 方法的降维效果。利用相关性将高光谱图像划分为5 个子空间，通过转换数据结构来实现行和列的核2DPCA 变换，最后将行和列结果进行融合得到降维结果。降维结果表明，在较高信息保持率情况下，分段行-列核2DPCA 方法具有最高的图像清晰度和边缘强度。不同地物像元像素折线图表明，分段行-列核2DPCA 方法能更好地区分不同地物，可以很好地应用于地物分类和目标识别。

为了挖掘高光谱数据的光谱局部特征, 从高光谱遥感数据内在的非线性结构出发, 提出了一种基于光谱梯度角的高光谱影像流形学习降维方法。采用局部化流形学习算法局部保持投影(LPP)对高光谱遥感数据进行非线性降维, 对距离度量进行改进, 将能够更好刻画高光谱影像光谱局部特征的光谱梯度角相似性度量应用于LPP方法, 并用真实高光谱图像进行降维实验, 取得了优于LPP方法和采用光谱角的LPP方法的结果。结果表明, 在光谱规范化特征值方面, 所提方法优于LPP方法和采用光谱角的LPP方法; 在信息量的保持方面, 具有更好的局部细节信息保持量。采用光谱梯度角的流形学习方法用于高光谱影像降维能取得较好的降维效果。

偏度和峰度能够较好地表达高光谱图像的非高斯性，突出目标、纹理等异常信息，很好地应用于波段选择。为了更好地突出局部异常信息，在全局联合偏度-峰度指数模型基础上，提出了局部偏度-峰度的高光谱图像波段选择方法。利用全局联合偏度-峰度指数对原始图像进行波段子空间划分，然后选择适当大小的模板窗口，计算窗口内的局部联合偏度-峰度指数，并以此方法遍历所有波段，求出累积局部联合偏度-峰度指数，最后进行波段选择。波段选择结果表明，局部联合偏度-峰度指数方法所选择波段分布更加广泛，效果更好。异常检测实验结果和融合结果表明，本文方法所得图像在客观指标评价中具有较大优势。

随着光谱分辨率越来越高，高光谱图像更容易受到噪声的干扰，直接用传统的检测算子会产生较高的虚警。针对RX 算法存在较大噪声干扰的问题，提出了一种基于混合噪声评估的RX 异常检测方法。首先对高光谱图像进行分块，利用滤波的思想选取均匀图像块；考虑图像光谱-空间信息，运用多元线性回归分析对均匀图像块进行混合噪声评估；然后将高光谱图像和混合噪声进行作差，消除噪声的干扰；最后运用RX 算子进行异常检测。实验结果表明，该方法达到了消除噪声的效果，与RX 和MNF-RX 算法相比具有更好的目标检测性能。