目前,深度学习是大数据处理下最热门的研究方向之一。由于其强大的学习能力,卷积神经网络及其衍生模型被广泛应用到高光谱图像处理领域,通过深层神经网络挖掘图像潜在分布的多层表达并进行特征提取,面向分类检测等应用,取得了很好的效果。鉴于卷积神经网络在高光谱遥感数据处理的有效性,本文从异常检测和目标检测两个方面开展了基于深度卷积神经网络的高光谱图像检测算法的研究。首先,从高光谱成像机理入手,分析了地物的光谱特性及成像的影响因素,总结了经典高光谱图像目标检测算法和异常检测算法,重点讨论了经典检测算法面临的问题与挑战。同时,引入了高光谱图像处理领域中应用广泛的卷积神经网络,阐述了其用于目标检测的优势与意义,为确定基于深度卷积神经网络的目标检测算法提供了理论基础。其次,针对高光谱图像目标检测样本量少,不足以训练深层卷积神经网络的问题,提出了一种减法像素配对模型。在该算法中,将同类地物样本和不同类地物样本进行类间和类内的配对并执行光谱维的减法运算,生成了新的数据集;在新数据集中,通过原始目标类样本和其它类样本配对产生的新样本被标记为新数据集中的目标类,通过各原始背景类样本类内和类间的配对产生的新样本被标记为新数据集中的背景类。通过该方法,将原来较少的样本量扩大了大约四千倍,从而将基于原始高光谱数据集的目标检测问题,转化成了基于新数据集的分类问题。通过对比经典目标检测算法,验证了基于CNN的检测方法无需剔除噪声波段既可达到很高的检测精度,这有利于节省预处理的时间,能够有效提高检测率并降低虚警率。再次,针对未知先验目标光谱的异常检测问题,提出了一种基于组合测度向量的配对学习策略。在该策略中,首先对配对的光谱向量计算对应波段的兰氏距离向量、光谱梯度角、光谱曲线形状和光谱信息散度,然后将这四个因子相乘得到组合测度向量,该组合测度向量具备了四个光谱相似性测度的优良特性,蕴含了反映两条光谱曲线幅值、方向、曲线形状和信息量差异的特征。在执行算法时,首先通过卷积神经网络学习组合测度向量中所隐含的非线性特征,然后利用学习到的诊断性特征进行图像异常的检测,通过对比经典异常检测算法,验证了基于组合测度向量的卷积神经网络高光谱图像异常检测算法的有效性。