高光谱图像解混是识别高光谱图像中的地物成分以及估计地物丰度的一类重要技术。由于高光谱传感器对地物观测的空间分辨率有限,传感器只能获得不同地物反射的混合光谱图像,难以达到地物高精度识别的需求。同时,高光谱图像解混问题存在较多的局部最优解,是遥感图像处理领域中十分具有挑战性的研究问题。本文采用仿生智能优化算法针对高光谱图像解混技术存在的问题进行研究。首先,基于高阶非线性混合模型的高光谱图像解混方法,可以有效解释复杂的光谱混合过程,同时能够提高光谱图像解混精度。但是,其采用以重构误差为单目标函数的梯度优化求解方法,易受到异常值的影响,且易陷入局部极值。为此,本文在多线性混合模型的基础上,建立以重构误差与光谱角分布为目标函数的多目标高光谱图像解混优化模型,并采用差分搜索算法进行优化求解。实验结果表明,本文方法能够进一步提升高光谱图像解混精度,降低解混重构误差并且保证获得更优的光谱角分布。与基于梯度法的解混算法相比,本文提出的多目标优化解混框架具有更高的解混精度。进一步,由于对于复杂场景下的高光谱图像建立非线性光谱混合效应模型至关重要。而现有的一些高阶光谱混合模型虽然能够用于刻画复杂场景,但它们通常具有复杂的结构、较多的参数,计算复杂度较高,采用基于梯度优化的解混算法易陷入局部极值,限制了其解混性能。因此,提出了一种新的高阶非线性混合模型,该模型充分考虑了光谱多反射问题,能够有效刻画复杂场景的光谱混合特征。而且,模型可以使用一个参数来描述端元之间存在的高阶光谱相互影响问题,参数少易于求解。实验结果表明,与现有的高光谱混合模型相比,基于本文提出的光谱混合模型的解混方法具有更高的解混精度。