Los píxeles mixtos aparecen inevitablemente en la imagen hiperespectral debido a la baja resolución del sensor y la mezcla de objetos terrestres. La desmezcla dispersa, como un método emergente para resolver el problema de los píxeles mixtos, ha recibido una atención extensa en los últimos años debido a su robustez y alta eficiencia. En teoría, la desmezcla dispersa es esencialmente un problema de optimización multiobjetivo. El término de miembro disperso y el término de error de reconstrucción pueden considerarse como dos objetivos a optimizar simultáneamente, y una serie de soluciones no dominadas pueden obtenerse como solución final. Sin embargo, la gran biblioteca espectral plantea un desafío debido al alto número dimensional de espectros, es difícil extraer con precisión unos pocos miembros activos y estimar su abundancia correspondiente a partir de cientos de características espectrales. Para resolver este problema, proponemos un algoritmo evolutivo de desmezcla dispersa hiperespectral multiobjetivo con estrategia de priori de miembro (EMSU-EP) para resolver el problema de desmezcla dispersa a gran escala. El único miembro en la biblioteca espectral se utiliza para reconstruir la imagen hiperespectral, respectivamente, y se puede obtener la puntuación correspondiente de cada miembro. Luego, las puntuaciones de los miembros se utilizan como conocimiento previo para guiar la generación de la población inicial y la nueva descendencia. Finalmente, se obtienen una serie de soluciones no dominadas mediante la clasificación no dominada y el cálculo de las distancias de agrupamiento. Experimentos en dos conjuntos de datos simulados a gran escala de referencia para demostrar la efectividad del algoritmo propuesto.