非负矩阵分解（Nonnegative matrix factorization,NMF）是一种适用性强且具有较好可解释性的盲源分离方法,在高光谱图像解混中受到越来越多的重视。通过有效利用数据的稀疏性先验,L1/2稀疏约束的非负矩阵分解（L1/2 Nonnegative matrix factorization,L1/2NMF）算法已成为提高解混精度的一种代表性方法。然而,基于简单乘法更新规则的优化技术使其解混结果易于陷入局部极小解且在实际应用中缺乏鲁棒性。为解决上述问题,本文提出一种新的基于进化策略和乘法更新相混合的稀疏性非负矩阵分解优化算法（L1/2NMF with Differential Evolution algorithm,DELNMF）。该算法根据有效的初始解集,在每次迭代中综合利用基于交替优化技术的乘法更新规则、基于稀疏性度量的系数矩阵选择策略,以及基于差分进化算法的基矩阵全局优化技术寻找优越解。本文还通过自适应差分进化算法（Self-adaptive Differential Evolution algorithm with Improved Mutation Mode,IMMSADE）对DELNMF算法的参数控制进行自适应的改进,提出了一种解混效果更好的IDELNMF（L1/2NMF with IMMSADE,IDELNMF）方法。本文基于稀疏约束非负矩阵分解技术,通过引入群智能优化算法进行改进以解决与高光谱解混相关的问题。本文的主要创新点如下:（1）在稀疏约束L1/2NMF的基础上,将群智能优化算法中的差分进化算法融合进来,在原来乘法更新规则的基础上提高了全局搜索的能力,使算法的解混效果和处理速度都有所提高。（2）在上述创新的基础上,本文在设定初始种群时结合聚类和最小二乘法,使原始数据得到了更加有效地利用,产生更合理且高效的初始解集,使DELNMF算法在对初始数据进行处理之前就具备了一定的优越性和科学性,并通过模拟数据和真实数据实验进行了验证。（3）针对DELNMF具有算法参数多的缺陷,本文还提出了一种自适应差分进化算法与稀疏性非负矩阵分解相结合的解混方法（IDELNMF）,其在提升性能的条件下,解决了算法参数的自动选择问题,改善了算法在实际应用中的易用性。