针对高光谱遥感图像的小目标检测问题，提出了一种基于自适应参数支持向量机(SVM)的检测方法。采用主成分分析(PCA)法对高光谱遥感图像进行降维，降低数据冗余度；之后通过无监督检测方法对小目标进行快速、粗糙定位，并将该定位结果作为后验信息输入到SVM中；依据后验信息与核空间散度准则自适应确定SVM中核函数的参数，并使用SVM 在核空间中寻找分离目标和背景的最佳超平面；利用该超平面将像元重新分类为背景和目标，并且迭代上述操作，得到精确且稳定的目标检测结果。大量实验结果表明，与经典RX方法、核RX方法

高光谱图像目标检测具有重要的理论研究价值和应用前景，是遥感信息处理领域中的一个热点课题。当前大部分检测算法需要设置一个合适的判决阈值，这个阈值是由人工设置或利用目标与背景信息进行计算得到的。实际中对背景的先验知识往往很少，这限制了很多算法的应用。针对这一问题，提出了一种新的纯像素目标检测算法——基于支持向量数据描述(SVDD)的高光谱图像目标检测算法，把目标检测问题转化为了单值分类问题。首先训练SVDD分类器，然后对数据进行类内(目标)和类外(背景)的分类，对分类的图像再利用目标的空间特征降低虚