高光谱图像的空间分辨率普遍较低，导致混合像元大量存在，为目标检测带来了一定困难。为了实现复杂背景下的高光谱图像目标检测，提出了一种去端元的目标检测方法。在光谱解混技术的基础上，建立了复杂背景下的光谱混合模型并加以改进，采用多次去端元的方法，取得了简化背景之后的高光谱图像。结果表明，与传统的RX目标检测算法相比，所提出的算法能够显著提升目标检测效果。在实际的**运用中，为大尺幅图像的目标识别和揭露伪装提供了思路。

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。