高光谱遥感图像是高光谱成像仪在电磁波谱的紫外、可见光、近红外和中红外区域,以数十至数百个连续且细分的光谱波段对目标区域同时成像得到的,同时包含地物的图像信息和光谱信息。由于高光谱传感器的空间分辨率有限,图像中的单个像素往往是一种或者多种地物的混合像元,不同地物的光谱信息混合严重影响了对地物的识别精度。因此,需要对高光谱图像进行解混进而得到混合像元中的端元光谱和丰度,这是高光谱图像处理领域一项重要且极具挑战性的任务。群智能优化算法是采用群体搜索策略搜索全局最优解的一种智能优化方法,在解决优化问题方面具有良好的性能。为获得更为精确的地物信息,本文采用一种新型的群智能优化算法对高光谱图像进行解混。樽海鞘群算法是通过模拟樽海鞘在海洋中的觅食行为而提出的一种新型群智能优化算法,具有良好的寻优性能。然而它在处理高维的复杂优化问题时会陷入局部最优值,出现早熟收敛,导致优化性能较差。为此,本文首先对樽海鞘群算法进行改进,为了平衡种群的全局探索能力和局部开发能力,在樽海鞘追随者的位置更新公式中添加动态变化的权重因子。其次,在种群进化过程中引入自适应变异策略,以避免出现进化停滞现象,随机的极值扰动可以使樽海鞘种群跳出当前搜索位置而继续搜索。在测试函数上的优化测试实验表明,基于上述两个策略的改进型樽海鞘群算法相比原始算法具有更好的鲁棒性和跳出局部最优的能力,收敛速度和收敛精度也得到显著提高。高光谱图像解混过程中,由于高光谱图像的实际物理原因,丰度矢量必须满足非负约束与丰度和为一约束,所以,本文利用球坐标变换原理将丰度映射到变换域,根据其自身数学特性,在不添加约束项的情况下保证丰度满足两个约束条件。然后构建高光谱图像实际观测值与图像重构值之间负熵最小的目标函数,将高光谱解混问题归结为一个无约束的最优化过程,进而采用改进型樽海鞘群算法迭代搜索目标函数的最优解。分别在合成高光谱图像和真实高光谱遥感图像上进行解混对比实验,结果表明本文解混算法相较其他对比算法,解混精度更高。