Manolakis（2003）認為，目標探測就是將目標與背景地物區分，並判斷目標在各像元內的存在性問題。在高光譜遙感領域，近年來發展了很多目標探測算法，根據算法模型可分為原始空間模型、子空間模型和白化空間模型（張兵等，2011）。Robey et al.（1992）提出了壹種自適應匹配濾波算法（Adaptive Matched Filter，AMF），該算法用多維正態分布模型模擬背景，並不能很好地表達背景的變化情況。劉翔（2008）分析了橢圓輪廓分布模型探測器（Elliptically Contoured Distributions，ECD），認為該模型能夠敏感地預測信號隨著環境的變化。在目標和背景光譜已知的情況下，Harsanyi（1993）提出了正交子空間投影（Orthogonal Subspace Projection，OSP）算法，同時考慮了背景光譜和各種噪聲下的最大化剩余信號；而且Harsanyi還提出了壹種約束能量最小化（Constrained Ener－gy Minimization，CEM）算法，該算法根據目標光譜，放大特定方向信號，縮小其他背景信號，從而實現目標探測，適用於小目標探測，但CEM探測器難以將目標端元信號與噪聲信號分離（杜博，2010）。尋麗娜等（2007）首先利用PCA技術扣除了圖像背景信息，之後借助IEA（叠代誤差分析）方法選取端元，以端元光譜作為已知光譜代入CEM，從而很好地提取小目標。為了擴展CEM在大目標探測方面的應用，耿修瑞（2005）也通過設計加權自相關矩陣改進了原算子，提出了壹種加權自相關矩陣的CEM算子（WeightedCorrelation Matrix CEM，WCM－CEM）。Reed et al.（1990）發展了異常探測算子RXD，其算法依賴於異常目標往往遊離於圖像數據所構造的數據 “雲團”超平面之外這壹假設，即：當圖像在異常像元與圖像均值向量的連線方向上的投影有較大方差時，該算子失效（張兵等，2011）。耿修瑞（2007）設計了壹種基於數據白化距離的異常探測（Whited－distance Abnormity Anomaly Detection，WAAD）算法，該算法對高光譜數據進行白化處理（White Processing，WP），使數據 “雲團”在特征空間中呈球狀分布，而異常像元仍處於球狀雲團之外，很好地解決了RXD探測失效的問題。為了擴展CEM在大目標探測方面的應用，耿修瑞也通過設計加權自相關矩陣改進了原算子，提出了壹種加權自相關矩陣的CEM算子（Weighted Correlation Matrix CEM，WCM－CEM）。賀霖等（2006）研究了正交子空間和目標子空間投影的高光譜數據背景和噪聲抑制方法。路威等（2006）借助於實碼遺傳優化投影尋蹤方法，從分布異常的角度，提出了壹種非監督特征投影方法，提取小目標。
近年來，國內外科技界和產業部門從不同的側面對礦產資源探測與礦區重金屬汙染物的監測進行了深入研究。在礦產資源的高光譜遙感探測方面，開展了通過成像光譜儀測量巖石、礦物等光譜特性，獲取圖譜合壹的信息等來識別礦物、探測環境等研究，並形成了高光譜巖礦識別與填圖的技術流程和技術方法，在巖石礦物識別、信息提取和專題制圖方面取得突破（Boardman et al.，1994；杜培軍等，2003；Kruse et al.，2006；Zhang J.，2006；張兵等，2008；王潤生等，2007，2010）。近十年來，有關礦山重金屬汙染監測與分析評價方法的研究論文和報告也逐漸增多。如：利用高光譜數據和礦物識別譜系有效識別銅礦區的汙染類型（甘甫平等，2004）；通過實驗室分析金屬銅不同程度重金屬汙染下煤矸石堆周邊土壤的光譜特性（Gao et al.，2005）；利用光譜儀實測光譜數據與綜合考慮汙染物的光譜特征，對礦山汙染物和廢礦所造成的汙染、選冶廢水所產生的水汙染及其植被汙染，以及長期采礦活動造成的礦區土壤重金屬汙染等信息提取研究（Kemper et al.，2002；燕守勛等，2003；張宗貴，2004；甘甫平等，2004；崔龍鵬等，2004；Zhang J.，2006；Choe et al.，2008；Ren et al.，2009；Rashed，2010）。另外，壹些學者已在植被高光譜遙感的植被生化參數、植被指數、導數光譜、紅邊位移分析、回歸分析、脅迫影響、病害監測、農藥殘留檢測、重金屬汙染等方面進行了大量研究（Mutanga et al.，2004；劉良雲等，2004；陳雲浩等，2009；Singh et al.，2010；Liu et al.，2011）；隨著對不同環境下地物光譜變化特性的深入探究，基於地物光譜微細變化的礦山生態環境遙感定量探測的實用化技術也已出現（Ferrier，1999；Gao et al.，2005；Choe et al.，2008；任紅艷等，2008；金慶花等，2009；Bech et al.，2012）。
綜上可見，已有的大部分成果都是對像元光譜或光譜儀實測光譜進行光譜曲線特征點位與特征參量提取、光譜微分處理、光譜吸收特征獲取、光譜指數計算、統計分析、混合像元分解、光譜匹配等手段進行處理分析，而缺乏利用如支持向量機（Support Vector Machine，SVM）、小波包變換（Wavelet Packet Transform，WPT）、諧波分析（Har－monic analysis，HA）和自適應神經網絡（Adaptive Neural Network，ANN）等現代數學理論對光譜曲線進行深層次的變換處理，因而在噪聲分離、同譜異物與同物異譜處理、微量（弱）信息識別等方面存在很大的不足。因此，很有必要開展基於現代數學理論的高光譜遙感數據變換處理、信息提取與分析應用研究。