金属异物的侵入是影响电动汽车无线充电系统充电效率和稳定的重要因素，并且可能导致安全事故。针对现有方法存在检测盲区、无法检测包裹性金属的问题，提出一种高光谱图像的光谱特征与纹理特征融合的金属异物检测（Metal Object Detection, MOD）方法。提出采用高光谱反射率密度描述材质的光谱特征，利用切比雪夫矩（Tchebishef Moment, TM）作为异物纹理特征的描述子，并构建特征向量；搭建YOLO v5神经网络实现对典型包裹性金属异物的检测，结合高光谱反射率密度序列和切比雪夫矩特征向量训练支持向量机（Support Vector Machine，SVM）模型，实现对非包裹性金属异物的检测。实验结果表明，该方法能够有效检测包裹性金属异物，在复杂场景下的目标级检测精度达到100%。