高光谱遥感图像具有数十至数百个窄且连续光谱波段的数据,同时包含丰富的几何空间信息与光谱信息。然而,由于高光谱成像系统的复杂的地表覆盖和较低的空间分辨率,在每个像素处观测到的光谱通常是几个纯光谱的混合,在对高光谱图像进行分类和地物识别是会造成很大影响。高光谱解混是高光谱图像分析的关键步骤。它的目的是将每个像素处观察到的光谱分解成一个组成元素的集合,根据元素的丰度进行加权。进化算法是基于种群、迭代、随机搜索机制,用于寻找解决相关问题的最佳解决方案,因此将其应用到高光谱图像解混中有很好的前景。非负矩阵分解旨在从多元数据中分解成基于部分的表示,这与高光谱解混的目标函数具有一致性,因此针对高光谱解混问题的正则化非负矩阵分解方法得到了广泛的研究。本论文在基于进化计算优化算法的高光谱鲁棒非负矩阵分解模型的前提下,通过盲分离的求解算法来实现对高光谱图像的空间分辨率的提高,本课题的主要研究工作如下:（1）首先本论文对伯恩斯坦搜索差分进化算法进行了改进,提出了基于结构基因策略和最优引导策略的伯恩斯坦搜索差分进化算法。伯恩斯坦搜索差分进化算法的结构参数值是随机确定的,其交叉过程使用伯恩斯坦多项式来控制,所以伯恩斯坦搜索差分进化算法没有交叉过程的参数,与其他进化算法一样,伯恩斯坦搜索算法解决问题的成功对公共参数值很敏感。因此,为了使算法中的模式向量能够在搜索的过程中具有更好的性能,本文提出了在系统方程所生的试验模式向量中添加结构基因策略和最优引导策略,以此来提高算法的收敛速度以及帮助算法跳出局部极值和提高算法的收敛精度。实验结果表明,两个优化策略能够有效的提高伯恩斯坦搜索差分进化算法的数值函数分析优化能力。（2）其次,提出了一种基于结构基因策略和最优引导策略伯恩斯坦搜索差分进化优化算法的高光谱图像解混算法。本论文的解混算法是在非负矩阵分解模型下,用伯恩斯坦搜索优化算法代替鲁棒非负矩阵分解算法中的乘法迭代策略,减弱了算法目标函数的非凸性,来增强鲁棒非负矩阵算法的全局搜索能力,提高高光谱图像的空间分辨率。利用伯恩斯坦搜索算法的结构基因策略和最优引导策略,不仅能够保证基于鲁棒非负矩阵分解算法求解目标函数时的全局搜索能力也能有效地避免陷入局部极小。最后,通过设计仿真数据实验和真实遥感数据实验两组实验,实验结果验证,所提算法具有良好的解混性能。