1.基于动量更新的二分类编码器网络的高光谱目标检测方法，其特征在于，包括：将获取的3‑D高光谱图像转换为2‑D矩阵形式的高光谱图像，将所述2‑D矩阵形式的高光谱图像进行聚类，并对所述2‑D矩阵形式的高光谱图像的质心进行初始化操作；

基于聚类结果，利用欧氏距离筛选纯净像元，其中所述纯净像元包括背景类像元和目标类像元；

基于所述纯净像元构建背景‑目标训练样本集，通过所述背景‑目标训练样本集构建基于动量更新的二分类编码器网络，并计算损失函数，对所述二分类编码器网络进行优化，获取训练好的二分类编码器网络；

所述基于动量更新的二分类编码器网络，包括：第一特征编码器：用于输出聚类质心的隐层特征；

第二特征编码器：用于输出样本的隐层特征；

二分类编码器：用于输出样本相对应的二分类概率值；

其中，所述第一特征编码器、所述第二特征编码器和所述二分类编码器都由四个全连接层构成，第一特征编码器、所述第二特征编码器具有相同的网络结构，所述第一特征编码器与所述第二特征编码器并联，所述第二特征编码器和所述二分类编码器串联；

将所述2‑D矩阵形式的高光谱图像输入所述训练好的二分类编码器网络中，输出最终检测图。

2.根据权利要求1所述的基于动量更新的二分类编码器网络的高光谱目标检测方法，其特征在于，将所述2‑D矩阵形式的高光谱图像进行聚类，并对所述2‑D矩阵形式的高光谱图像的质心进行初始化操作，包括：利用k‑means作为聚类方法，设置k值，从所述2‑D矩阵形式的高光谱图像中随机挑选k‑

1个像元作为初始质心，将已知的目标光谱信息tp作为第k个质心；

计算所述2‑D矩阵形式的高光谱图像中的每个像元到k个质心的欧氏距离，并将被计算的像元分到距离最小的质心所对应的类中，利用类内平均值作为所述对应的类的新质心，第k类的质心不做更新，直到达到中止条件，完成聚类，获得聚类质心。

3.根据权利要求2所述的基于动量更新的二分类编码器网络的高光谱目标检测方法，其特征在于，筛选所述纯净像元，包括：

基于所述欧氏距离筛选与各个所述质心在预设距离范围内的像元，并分别选取固定数量的背景类像元和目标类像元，定义潜在的纯净像元样本集，包括：背景像元PB＝[bc1‑1,...,bc1‑50；bc2‑1,...,bc2‑50；...；bc(k‑1)‑1，...,bc(k‑1)‑50]和目标像元PT＝[t1，...，t10]。

4.根据权利要求3所述的基于动量更新的二分类编码器网络的高光谱目标检测方法，其特征在于，构建所述背景‑目标训练样本集，包括：基于所述背景像元、所述目标像元与已知目标光谱信息tp，逐像元进行线性混合，生成目标训练样本；

将所述背景像元中的像元按照预设比例逐个混合，生成背景训练样本；

将所述目标训练样本、所述背景训练样本混合并打乱顺序，并分别对所述目标训练样本、所述背景训练样本设置标签，获取所述背景‑目标训练样本集。

5.根据权利要求1所述的基于动量更新的二分类编码器网络的高光谱目标检测方法，其特征在于，计算所述损失函数，包括：

通过反向传播和动量更新的方法优化所述基于动量更新的二分类编码器网络，输入样本、聚类质心到所述基于动量更新的二分类编码器网络中，计算二分类概率值和标签的二元交叉熵损失以及聚类质心的隐层特征和输出样本的隐层特征的三元组损失，获得总损失函数。

6.根据权利要求5所述的基于动量更新的二分类编码器网络的高光谱目标检测方法，其特征在于，所述二元交叉熵损失为：

其中，si是样本的标签，目标为1，背景为0，pi是预测的概率；

所述三元组损失函数为：

其中，A为样本特征，P和N是A相对应的正例和负例，a为将正例和负例分开的边界阈值。

7.根据权利要求5所述的基于动量更新的二分类编码器网络的高光谱目标检测方法，其特征在于，所述总损失函数 为：

8.根据权利要求7所述的基于动量更新的二分类编码器网络的高光谱目标检测方法，其特征在于，对所述二分类编码器网络进行优化，包括：将所述总损失函数反馈给所述第二特征编码器和所述二分类编码器，利用反向传播的方式优化所述第二特征编码器和所述二分类编码器的参数，所述第一特征编码器的参数通过动量更新的方式由所述第二特征编码器传播。