高光谱成像技术是利用成像光谱仪分别在不同的波段对同一场景进行成像。成像光谱仪能够接收的波长覆盖范围广、电磁波段数目大且波段宽度小,因而存在大量混合像元。混合像元是由多种纯物质混合而成,为实现对地物的精准分类,需要对图像进行混合像元的分解,即高光谱图像解混。高光谱图像解混已经被广泛地应用于军事、医学和环境等各个领域,因此研究其解混方法意义重大。半监督的稀疏解混方法是在已知光谱库的前提下,从光谱库中选择端元集来对高光谱图像进行重构,由于该方法有一定的先验知识,避免了假设纯像元的存在,因此基于光谱库的稀疏解混方法备受关注。本文分析了仿生智能优化算法的优势,并对其中的鲸群优化算法进行改进;研究了在稀疏模型框架下的解混问题,发现其存在的缺陷,并用仿生智能优化算法来解决高光谱图像稀疏解混问题,进一步提高解混精度。论文的主要工作如下:(1)为了提高收敛精度和加快收敛速度,对鲸群优化算法进行改进。本文提出了基于非线性控制因子和突变策略的鲸群优化算法。首先将原算法中的线性控制因子替换为含有正切函数的非线性控制因子,控制溢出边界搜索代理的搜索方向,以扩大搜索范围,从而加快收敛速度;然后加入新的突变策略,避免种群在当前的最小值周围继续迭代,以加强全局的搜索能力。仿真实验证明改进后的算法在收敛精度和收敛速度上都有所提高,性能得到了进一步地改善。(2)将改进的鲸群算法与稀疏解混相结合,针对贪婪类方法中的子空间匹配追踪算法解混精度不高和稀疏度不强的缺陷,本文提出基于改进鲸群优化的子空间匹配追踪稀疏解混算法。在子空间匹配追踪算法的基础上,以约束稀疏回归为目标函数,利用改进的鲸群优化算法对已知端元集求解丰度系数。以重构误差最小为标准,最大程度地去除丰度系数中较小的冗余端元,来提高子空间匹配追踪算法的端元提取的精确度,进一步提升高光谱图像的解混精度。合成图像实验和真实遥感图像实验表明,提出的算法有效地去除了大量的冗余端元,且有更高的解混精度和稀疏度。