Las imágenes de teledetección hiperespectral contienen mucha más información en el dominio espectral que las imágenes multiespectrales. Las señales espectrales consecutivas y abundantes ofrecen un gran potencial para la clasificación y la detección de anomalías. En este estudio, se utilizaron dos conjuntos de datos hiperespectrales reales para la detección de anomalías. Un conjunto de datos fue un espectrómetro de imágenes visibles/infrarrojas aéreo (AVIRIS) que cubría el World Trade Center (WTC) después del ataque y las anomalías son puntos de fuego. El otro conjunto de datos, llamado SpecTIR, contenía paneles de tela como anomalías en comparación con su fondo. Se revisan aquí los algoritmos de detección de anomalías existentes, incluidos el detector Reed-Xiaoli (RXD), el nominador de outliers eficiente de cálculo adaptativo bloqueado (BACON), el detector de anomalías basado en selección aleatoria (RSAD), el RXD ponderado (W-RXD) y el detector de anomalías probabilístico (PAD). El RXD generalmente establece suposiciones estrictas sobre el fondo, que no se pueden cumplir en muchos escenarios, mientras que BACON, RSAD y W-RXD emplean estrategias para optimizar la estimación de la información de fondo. El PAD primero estima tanto la información de fondo como la información de anomalía y luego utiliza la información para llevar a cabo la detección de anomalías. Aquí, BACON, RSAD, W-RXD y PAD superaron al RXD en términos de precisión de detección, y W-RXD y PAD requirieron menos tiempo que BACON y RSAD.