Recientemente, se han diseñado algoritmos evolutivos multiobjetivo (MOEAs) para hacer frente al problema de desmezcla dispersa. Debido al excelente rendimiento de los MOEAs en la resolución de problemas de optimización NP difíciles, también han logrado buenos resultados para los problemas de desmezcla dispersa. Sin embargo, la mayoría de estos métodos basados en MOEA solo tratan con un solo píxel para la desmezcla y están sujetos a baja eficiencia y consumo de tiempo. De hecho, la desmezcla dispersa puede ser vista naturalmente como un problema de multitarea cuando la imagen hiperespectral se agrupa en varias regiones homogéneas, de modo que la multitarea evolutiva puede ser empleada para aprovechar el paralelismo implícito de diferentes regiones. En este artículo, se propone un novedoso marco de optimización evolutiva multitarea de optimización por enjambre de partículas de múltiples poblaciones para resolver el problema de desmezcla dispersa hiperespectral. En primer lugar, recurrimos a la optimización evolutiva multitarea para agrupar la imagen hiperespectral en múltiples regiones homogéneas, y procesar directamente toda la matriz espectral en múltiples regiones para evitar desastres dimensionales. Además, diseñamos un novedoso método de optimización por enjambre de partículas de múltiples poblaciones para la exploración evolutiva principal. Además, se diseñan una transferencia intra-tarea e inter-tarea y una estrategia de exploración local para equilibrar el intercambio de información útil en el proceso evolutivo de multitarea. Los resultados experimentales en dos conjuntos de datos hiperespectrales de referencia demuestran la efectividad del método propuesto en comparación con los algoritmos de desmezcla dispersa más avanzados.