近几十年随着遥感技术逐渐得到人们的认可与重视,遥感技术得到了长足的发展。光谱分辨率得到了显著的提高,从之前的多波段图象发展到现在拥有几百个波段的高光谱图象。空间分辨率也从几十米/像素发展到亚米/像素的量级。但是由于波段属性的限制,对于一些特殊情况,例如目标颜色相近或者被遮挡等,目前常见的的高光谱数据不具备穿透能力,因此很难对其进行检测,通常通过热红外波段利用温度信息进行检测。但热红外波段由于其特殊的成像方式,导致它的空间分辨率非常低,目前星载传感器中,分辨率最高的近50米/像素,而且信噪比很低,受到噪声的严重干扰。因此,在这样的分辨率条件下,仅能对地下核电站等大型目标具备检测能力,对于小型目标不具备检测能力。通过我们的研究发现,近红外波段数据既包含反射能量,又包含辐射能量。因此,本次研究通过近红外与热红外数据的融合,提高热红外数据的空间分辨率,实现亚像元的温度估计。并在此基础上研究其在异常目标检测领域中的应用,具体内容如下:首先,本文从热红外温度反演算法入手,研究了温度比辐射率分离算法。利用三种温度反演算法对8.125?m~11.65?m的热红外波段数据反演温度,并且从反演精度和运算时间两方面对反演结果进行对比。通过反演结果与真实结果的对比,选择精度最高、时间最短的温度反演算法。为后续实验提供温度的参考值。其次,研究了如何通过近红外数据对图象亚像元实现温度估计。并且总结归纳了三种不同的统计关联模型,通过对比温度的估计值与参考值,验证了三种模型的运行效率、结果的精确度,选择最优的统计关联模型。为后续目标检测实验奠定基础。随后,本文借助图象白化技术和主成分分析技术,提出了一种异常检测方法。通过对比分析传统异常检测和本文提出算法在不同虚警率下检测率的变化,验证本文算法的优越性。最后,引入超像素分割技术,对温度数据进行分割。通过统计对比每一块分割图象的直方图曲线,筛选出可能存在目标的区域。在此基础之上,结合光谱信息对异常检测中的虚警进行去除,得到待检测目标。通过量化分析,验证在复杂场景中本文提出的目标检测算法的优越性。