高光谱遥感图像是由数十个甚至上百个波段的单张图像构成的,不仅含有丰富的空间信息,还包括细致的波段信息。由于高光谱图像有很高的光谱分辨率,且拍摄时为保证其含有较低的噪声强度,所以制约了其空间分辨率的水平。由于空间分辨率较低,高光谱图像中普遍存在混合像元,不同类型的地物可能处在同一像元中,光谱特征混杂严重,对地物信息提取造成较大影响。因此,为了得到更加准确的地物分布信息,首先要对高光谱图像进行解混,以确定各类地物成分及在每个像元中所占的比例。仿生智能优化方法作为一种新兴的人工智能方法,在求解复杂的优化问题上展现出了很大的优势。此类方法无需事先对优化问题做出假设,并且无需诸如梯度、海森矩阵或者是概率分布等多类的先验知识。因此,将仿生智能优化方法应用到高光谱图像解混中潜力巨大。本文以提升高光谱图像解混精度为研究目标,利用新兴的仿生智能优化方法进行适应性求解。本文所做的主要工作如下:(1)针对解混这一特定问题,适应性地提出了一种仿生智能优化方法--交叉双粒子群优化方法来估计高光谱遥感图像的丰度。并且基于多线性混合模型,将重构误差用作为解混的目标函数,进一步将非线性解混问题转化为最优化问题,通过优化求解最终得到估计的丰度矩阵。该方法提出了包括双粒子群交叉和种群重构两种新策略。最后,在仿真高光谱数据和真实的高光谱数据上分别进行实验。实验结果表明,针对特定解混问题改进的仿生智能优化方法能有效提升高光谱图像解混精度。(2)提出了一种动态自适应的多粒子群优化高光谱图像解混方法。该方法是在交叉双粒子群优化方法基础上,引入了判断单个像元的非线性混合程度机制,将原有的固定两个种群优化求解模式,改进成为根据非线性混合程度,来进行自适应调节的多种群优化逐像元解混。针对非线性程度高的像元,应用相对较多的种群进行求解,而对于线性或者非线性程度较低的像元来说,则使用较少的种群数量进行求解。不仅进一步提高了高光谱图像解混的精度,还很大程度上提高了解混的效率。实验结果表明,所提方法具有良好且稳定的解混性能。