从20世纪90年代开始，国内外学者对高光谱异常探测技术做了大量的研究。有学者于1990年提出了一种在未知背景信息的条件下检测未知光谱特性的目标地物的光谱异常检测算法，称之为RX算子，这种算法已被广泛应用于多光谱和高光谱遥感影像。有学者针对RX探测算法稳定性差的特点将鲁棒性分析技术引入异常探测，提出了封闭自适应高效异常探测器。另有学者在2005年将核空间理论应用到异常探测技术中，提出了Kernel-RX探测算法。近年来非线性异常探测和目标探测算法研究在逐步扩展，相较于线性算法可以得到更好的探测结果。

在高光谱异常目标检测算法中，算子不需要目标物光谱的先验信息，而是将光谱特性不符合全局或局部背景光谱信号模型的像元判定为目标。从不同角度对光谱异常检测算法再进行细分，异常探测算子主要分为Reed-Xiaoli（RX）异常检测算子、基于核方法的异常检测方法、基于子空间的异常检测算法、基于稀疏表示的检测算法和新型实时异常探测方法。RX算法是一种从广义似然比检验（GLRT）导出的恒虚警（CFAR）自适应异常检测算法。CFAR允许检测器使用一个单一的阈值来维持所期望的虚警率。在RX算法中，假设图像中的背景统计可以被建模为一个多维高斯分布，这一分布的均值和协方差均由其所在的图像中像元的统计与估计而得到。假设高光谱图像中的某一像元，其具有个光谱波段。将这一像元作为待检测观察的对象，则其对应的RX算法输出由下式给出：

式中为从待检测的高光谱图像中估计得到的背景像均值；为其对应的背景协方差矩阵。基于核方法的异常检测算法为核RX算法和支持向量数据描述（SVDD）算法。将原始高光谱数据的光谱信号非线性映射到高维特征空间中，使得在原始空间中线性不可分的成分经过非线性映射到高维特征空间后线性可分，从而更好地分离背景和目标信息。SVDD用于高光谱图像异常目标检测时，需要构造非线性分类器，使具有共同特性的同一类样本尽可能地被包含在一个最小超球体内，而其他类别的样本对象被限制在该超球体外。寻找满足该要求的最小封闭超球并用判别准则使该类与其他类样本分开。基于信号子空间投影和最小二乘的匹配检测算法，包括基于正交子空间投影的方法（OSP）、基于非监督扩展波段维数的推广正交子空间投影（GOSP）、基于光谱后验信息的正交子空间投影方（POSP）、基于斜子空间投影的算法（OBP）、基于非监督向量量化的子空间投影算法（UVQTSP）、基于杂波噪声模型的子空间投影算法（ISP）以及噪声子空间投影算法（NSP）。基于稀疏表示的高光谱图像目标检测算法是用一系列字典原子的线性组合来表示将待检测像元的光谱，将检测过程转化为求解最优字典原子系数的优化问题。由于背景和目标本身的地物特征不同，它们的光谱会属于不同的光谱子空间，从而表示它们光谱的字典原子不相同，可以根据字典原子的系数的大小和位置检测目标。

异常探测本质上是两类问题，即将影像分为背景和异常目标两类，异常目标是指光谱与大部分背景地物有很大差异的目标像元。在探测过程中，异常探测技术不需要目标和背景地物的先验光谱信息。在很多应用中很难获得影像覆盖区域中地物光谱，异常探测技术不需要先验光谱信息的特点使其获得广泛的应用。近年来，高光谱异常探测技术在很多领域中得到成功应用，如矿物勘测、边境监察、搜索营救等，因此成为遥感影像处理的一个研究热点。