煤矿开采是最重要的甲烷排放源, 然而其排放清单的准确性很低, 一个关键的原因在于缺乏精准识别和定位该类排放源的能力。近年来, 前沿研究表明可以利用卫星高光谱数据反演高分辨率的甲烷异常, 从而帮助识别排放源。但是, 在地表类型复杂地区该算法会完全失效。针对这一问题, 率先提出一种基于 L1 重加权和迭代收缩阈值算法 (ISTA) 匹配滤波器的算法。利用高分五号 (GF-5) 数据在山西地区的实验表明, 该方法性能显著优于现有的其他方法。实验中, 本方法识别出 23 个甲烷强点源, 这些点源全部位于 TROPOMI 的甲烷高值区内, 且高分辨遥感影像显示这些点源处存在典型的煤矿开采设施。该方法的提出为利用 GF-5 卫星数据在世界范围实现甲烷点源排查奠定了技术基础。

高光谱异常检测是检测出与周围背景像素的光谱具有明显差异的目标的过程。研究学者针对高光谱异常检测提出了多种算法，其中低秩协同表示检测器（LRCRD）不仅能够考虑所有像素之间的高光谱相关性，而且用低秩和l₂范数最小化约束字典的系数矩阵，背景字典不需要过度完备，可以更好地表示背景。然而，LRCRD模型并没有考虑到高光谱数据的局部几何信息对于区分背景和异常像素的重要性。将图拉普拉斯正则项引入LRCRD模型中，提出了一种基于图正则化低秩协同表示的异常检测方法，分析数据中的非线性几何信息。该方法保持高光谱图像的局部几何结构，提高了检测精度。在合成和真实高光谱数据集上对所提方法进行了实验验证，实验结果证明了所提方法的可行性。

针对空谱信息中普遍存在的异常干扰现象, 提出了基于空谱联合聚类的自适应核协同表示高光谱异常目标探测算法.算法充分发挥了基于密度的聚类算子(Density-Based Spatial Clustering of Applications with Noise, DBSCAN)对于异常点的筛选特性, 在DBSCAN聚类去除异常波谱的基础上, 采用分波段子集随机投影变换对数据降维处理, 以减少谱噪声和谱冗余, 并采用DBSCAN聚类消除了局部背景像元中的杂乱点对协同探测算法结果的干扰.研究了背景离散度对核参选择的影响, 比较了不同的核估计方法, 并提出基于平均差的自适应核协同算法.采用该方法对AVIRIS和ROSIS的三组数据进行仿真实验并与现有算法进行了对比, 结果表明该算法表现出较好的探测性能.

为了合理有效设计近似最优航空磁探仪搜索路径，采用累积探测概率作为适应度评价函数，提出一种基于遗传算法的航空磁探仪搜索路径优化算法。为了使染色体客观表达真实搜索路径，采用变长实数编码的方式；根据目标的先验信息，限定解空间范围，并且采用规则搜索阵型和随机搜索阵型组合生成初始种群，保证了个体的非劣性和多样性；在遗传算子设计的过程中，提出基于椭圆约束的交叉和变异方法，保证生成的子代符合航空磁探仪搜索连续时间和连续空间的约束。仿真实验结果表明，该算法收敛快、性能稳定，与传统规则搜索阵型相比能够显著提高航空磁探仪的搜索概率。

提出一种基于低秩表示和学习字典的高光谱遥感图像异常探测算法。相对于其它低秩矩阵分解方法如鲁棒主成分分析, 低秩表示方法更为契合高光谱图像的线性混合模型。该算法将低秩表示模型应用到高光谱图像异常探测问题上来, 引入表征背景信息的学习字典, 大大增强了低秩表示模型对初始参数的鲁棒性。仿真和实际高光谱数据的实验结果表明, 所提出的算法有效地提高了异常的探测率, 同时对初始参数具有较好的鲁棒性, 可以作为一种解决高光谱图像异常探测的有效手段。

传统高光谱异常探测器的背景统计信息易受异常目标干扰，鲁棒性较差，且难以探测非线性混合的异常目标.针对此问题，运用核特征投影理论，在异常探测器的背景信息构建中引入鲁棒性分析方法，提出了一种在核特征空间中具有鲁棒性的异常探测方法.该方法可以在不需要确定具体的非线性映射函数下，将高光谱数据从低维空间映射到高维特征空间，背景和目标在特征空间中可以用线性模型表示，并在特征空间中构造鲁棒性的探测器.该方法揭示了地物光谱间的高阶特性，可以较好地反映地物分布复杂的目标光谱特性.通过高光谱真实影像和模拟数据的实验证明：1)本文提出的异常探测方法具有更优的受试者工作特征曲线和曲线下面积统计值，目标和背景的分离度更大；2)在核特征空间内，排除异常目标对背景统计信息的干扰，有助于进一步提高探测准确度；3)特征提取可以更好地利用目标和背景的光谱区分性，是异常探测的重要步骤.

针对地下磁性掩埋物检测时,磁异常信号信噪比低的问题,提出基于小波熵的微弱磁异常信号降噪方法。小波变换对弱磁异常信号进行提取的关键在于确定小波系数的阈值。为此,引入反映信号能量分布特性的小波熵概念和一个调节因子,最终确定阈值,利用软阈值方法处理高频系数。通过计算机仿真对算法进行了检验。结果表明:该算法可以有效地提高信噪比,还原原始信号。

针对高光谱图像中背景及目标先验知识未知条件下的异常目标检测问题, 提出了一种基于独立成分分析(ICA)的异常探测算法。首先估计原始数据的虚拟维(VD)以确定要分离的独立成分个数, 在此基础上进行快速独立成分分析(FastICA), 然后基于平均局部奇异度选择含异常信息较多的独立成分, 最后使用丰度量化算法得到异常目标的丰度图像。为了验证算法的有效性, 对由AVIRIS获取的真实高光谱图像进行了异常检测实验, 并与经典RX算法和LPD算法的检测结果进行了比较。结果表明, 基于ICA的检测算法具有良好的检测性能和较低的虚警, 且运算复杂度较低。

提出了一种新的高光谱图像波段选择方法?波段最大筛选法(Maximum Band Screening, MBS)，它将每个波段的像元光谱分量看成一条波段向量，利用光谱相似性度量比较波段与已选波段的不相似性，从而从原始波段中选择信息量既大、又有区别性的波段。为了验证MBS 的有效性，将其用于高光谱图像异常探测，设计了异常探测算法。该算法首先从高光谱图像中提取异常目标光谱，噪声白化后，进行MBS 波段选择，最后将选出的波段用于自适应余弦估计(Adaptive Coherence Estimator, ACE)目标探测。采用AVIRIS 高光谱图像将MBS 与另外两种波段选择算法进行比较分析，实验结果表明，在MBS 选出的仅占全部波段8%的波段上，ACE 算子具有较高的探测性能。