针对逐像元处理的高光谱图像实时线性约束最小方差（LCMV）检测与分类算法计算量大、运行速度慢的问题，在LCMV检测与分类算法的基础上，提出了两种逐行的实时LCMV目标检测与分类算法。首先对LCMV算法进行了因果化，提出了逐行处理的实时因果LCMV（CR-LCMV）检测与分类算法，再利用Woodbury引理，推导出了逐行处理的实时递归因果LCMV（RCR-LCMV）检测与分类算法。实验结果表明：与LCMV检测与分类算法相比，两种新型实时算法均能在不影响检测精度的情况下实时地检测目标与对目标进行分类，且所需的数据存储空间大大降低；与逐像元处理的实时LCMV算法相比，两种新型实时算法可获得几乎与之相同的检测精度，计算复杂度大大降低，实时处理能力更强，算法在运行时间上具有明显的优越性。

实时处理可以缓解海量高光谱数据在存储及下行传输方面带来的巨大压力, 在高光谱异常检测领域引起了研究人员的广泛关注。高光谱成像传感器通过推扫获取数据的方式已成为主流, 因此, 提出了一种基于逐行处理框架的高光谱实时异常目标检测算法。将局部因果窗模型引入Reed-Xiaoli异常检测算法中, 通过滑动局部因果窗来检测异常目标, 保证了实时处理的因果性。针对矩阵求逆过程复杂度过大的问题, 在卡尔曼滤波器递归思想的基础上, 利用Woodbury求逆引理, 由前一时刻数据状态信息迭代更新当前数据的状态信息, 避免了大矩阵的求逆运算, 减少了算法的计算量。利用模拟和真实高光谱数据进行实验, 结果表明, 在保持检测精度不变的前提下, 提出的实时算法的运算效率相比于原始算法得到显著提高。