随着传感器技术的发展,光谱成像技术得到了空前的发展。高光谱遥感除了获取图像的空间信息外,还可以得到精细的光谱信息,在军事侦察和国民经济等各个领域的应用越来越广泛。但是,随着高光谱图像的分辨率不断提高,成像光谱仪获取的图像数据已经远远超出了数据传输和处理能力。基于信号稀疏性约束的处理方法近年来广泛应用于信号处理、模式识别和计算机视觉等方面。如何有效的利用光谱图像的稀疏性,已经成为遥感信息处理领域重要的研究方向之一。针对高光谱图像数据处理难题,本文主要分析了高光谱图像的稀疏性,在此基础上研究了基于稀疏性约束的高光谱图像分类和目标检测,主要工作如下:首先,论文分析与验证了高光谱图像的稀疏性。分析高光谱图像数据的典型特性,并利用无监督的学习方法构建字典对高光谱图像数据进行稀疏分解,将图像中实际包含的物理材料的光谱曲线与字典原子进行比对,证明学习的字典原子可以很好地与材料的光谱曲线拟合,验证了高光谱图像的稀疏性。其次,论文提出了基于稀疏嵌入的高光谱图像分类方法。针对高光谱图像的高维特性,利用稀疏嵌入的方法对高光谱图像进行特征提取,通过保持类内紧凑性的条件下进行类内稀疏重建,同时最大限度地增大类间距离,以增强高光谱数据在特征空间投影的离散度。通过对真实数据进行测试表明,本文方法在分类时间和分类精度上比起其它方法都有一定的提高。最后,论文研究了高光谱图像异常检测问题,提出了一种基于金字塔空-谱协同编码的高光谱图像异常检测方法。首先在优化样本-特征分布的行稀疏性、列稀疏性和行分布统计相似性的基础上,采用无监督的学习方法提取低维区分性特征;其次,利用空间金字塔思想在多个空间尺度上对局部像素进行空-谱协同编码;最后统计编码差异性,定位异常。在实测数据集的实验结果验证了方法的有效性和鲁棒性。