總體上來說，國內(nèi)對于高光譜成像技術(shù)的研究起步較晚，但是也取得了一些發(fā)展和進(jìn)步，本文結(jié)合已有研究文獻(xiàn)進(jìn)行了簡單總結(jié)。

谷延峰等提出了基于多分辨率圖像融合的非監(jiān)督目標(biāo)檢測算法[33]。并應(yīng)用100?00像素大小的AVIRIS數(shù)據(jù)進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明所提出的融合方法對于高光譜圖像的目標(biāo)探測非常有效。所提出的方法檢測出更多的真實(shí)目標(biāo)，并且比USRX和CSRX有更低的錯誤探測概率。

吳波等提出了非監(jiān)督正交子空間投影法（UOSP），用來自動獲取影像端元光譜，同時進(jìn)行混合像元分解，而且克服了傳統(tǒng)技術(shù)需要先驗(yàn)端元光譜的缺點(diǎn)[B4]。并用成像光譜數(shù)據(jù)（PHI）

實(shí)例測試了這個方法，結(jié)果表明該方法自動獲取的端元比較合理，且分解混合像元的精度較高。

李智勇等提出了一種基于圖像主成分分量的高光譜小目標(biāo)檢測算法[35]。將之應(yīng)用于128波段的OMIS的目標(biāo)探測，目標(biāo)為7個車輛，最終獲得了比RX算法好的結(jié)果。該方法對先驗(yàn)光譜信息的依賴較小，因此實(shí)用性較高。

張兵等提出了在光譜特性提取的基礎(chǔ)上利用凸面幾何體投影變換進(jìn)行高光譜圖像目標(biāo)探測的方法，并成功地應(yīng)用于亞運(yùn)村建材市場屋頂板材和亞運(yùn)村中心地區(qū)真假草坪的自動識別和探測中[3]。實(shí)驗(yàn)證明該方法不需要探測目標(biāo)的任何先驗(yàn)知識就能達(dá)到比較好的目標(biāo)探測效果。

路威等提出了一種基于多分辨率小波高頻特征系數(shù)的高光譜遙感影像亞像素目標(biāo)識別方法[31。通過38種小波函數(shù)的高光譜數(shù)據(jù)實(shí)驗(yàn)證明該方法對亞像素目標(biāo)的識別效果較好。

劉凱龍等提出了以光譜特性作為基本識別特征，針對多類判別和譜空間模式重疊的情況，提出數(shù)學(xué)分析模型及統(tǒng)計(jì)計(jì)算和判別效果檢驗(yàn)相結(jié)合的光譜特征檢測新方法，并成功地對迷彩偽裝進(jìn)行了探測，識別正確率達(dá)到了99%以上8]。該方法的優(yōu)點(diǎn)是充分地利用了高光譜遙感光譜細(xì)致的優(yōu)點(diǎn)，但該方法需要已知大量的地物標(biāo)準(zhǔn)光譜曲線和和偽裝的光譜曲線，這在實(shí)際應(yīng)用中是很難獲得的。
耿修瑞概括性總結(jié)了高光譜遙感圖像小目標(biāo)探測算法的研究進(jìn)展，揭示了圖像白化處理是諸多算法能夠成功應(yīng)用于小目標(biāo)探測的本質(zhì)原因所在；提出了基于樣本加權(quán)自相關(guān)矩陣把大目標(biāo)轉(zhuǎn)化為“小”目標(biāo)從而進(jìn)行有效探測的思想和算法39]。
賀霖等針對背景和目標(biāo)的先驗(yàn)光譜特征未知的條件，給出一種基于單似然檢驗(yàn)的高光譜圖像小目標(biāo)檢測器[40]。該檢測器避免了統(tǒng)計(jì)模型誤差和不明確物理含義特征對實(shí)際高光譜圖像數(shù)據(jù)檢測帶來的影響。