摘要：高光谱目标表述是高光谱目标检测中的核心问题。在众多高光谱目标表述方法中,多示例学习方法(MIL)由于不需要精确的像素级语义标签等因素,而成为研究高光谱目标表述的一个有效方法。但是,面向高光谱目标表述的多示例学习方法中,存在正包内目标示例远少于背景示例的示例级数据不均衡问题,导致学习到的目标表述性能不佳。为此,提出一种面向不均衡数据的多示例学习方法,提取每个包中最可能为正的示例组成正示例集,以此为基础合成新的正样本,增加正样本在正包中所占比例,改善高光谱目标表述能力。在真实高光谱数据上验证所提方法的有效性,结果表明该方法使正包样本组成更均衡,从而学习到更正确的目标表述,提高目标检测的性能。