Las imágenes hiperespectrales de teledetección suelen tener píxeles mixtos en lugar de puros. La extracción de endmembers tiene como objetivo encontrar un grupo de endmembers para representar la imagen original. De hecho, la cantidad de endmembers no se determina fácilmente en los estudios de extracción de endmembers existentes. Requiere varias ejecuciones separadas y laboriosas para producir resultados para la extracción de endmembers con diferentes números de endmembers. También hay una correlación entre las ejecuciones individuales, que debe tenerse en cuenta para acelerar la convergencia del algoritmo y mejorar la precisión. En este artículo, se propone un método de optimización de competencia evolutiva multitarea (CMTEE) para lograr la extracción de endmembers. En el método propuesto, los problemas de extracción de endmembers con diferentes números de endmembers se consideran como un grupo de tareas de optimización. Especialmente, se asume que estas tareas son competitivas. Luego, se emplea la asignación de recursos en línea para asignar recursos computacionales adecuados a las tareas consideradas. Los experimentos en conjuntos de datos hiperespectrales simulados y reales demostraron la efectividad del método de optimización de competencia evolutiva multitarea propuesto para la extracción de endmembers.