自动测试数据生成是降低软件测试成本和时间的传统技术之一,目前元启发式技术已成功应用于测试数据生成。粒子群算法（PSO）具有多种优点,在性能上具有较强的竞争力。但是PSO算法存在与其他种类算法相似的问题,在高维度和多峰值的寻优问题中容易收敛到局部最优,且算法搜索到后期收敛速度缓慢。针对上述问题,本文提出了两种改进PSO优化算法。同时,为适应测试数据自动生成应用场景的寻优问题,基于上述两种改进PSO算法,设计了一种多收敛方向自适应粒子群优化算法（MCD-APSO）。本文的主要贡献如下:（1）针对PSO算法在高维多峰问题中易陷入局部最优,且算法后期搜索速度慢的问题,提出了两种改进PSO算法。1)基于种群动态分区的多策略粒子群优化算法（PDPMSPSO）。设计了种群动态分区机制,加速算法收敛;引入了马尔科夫链状态转移思想,丰富了种群粒子多样性;提出了分级交叉策略,加快算法跳出局部最优的进程。2)多种群自适应分级交叉粒子群优化算法（HC-MPAPSO）。提出了多种群自适应策略,避免算法出现早熟现象;设计了分级交叉机制,结合交叉维度凸性递减方法跳出当前局部最优。（2）针对自动测试数据生成时间长,成本高和效率低的问题,提出了一种基于多重分支特征与改进PSO的测试数据自动生成方法。与应用于分支和路径覆盖的元启发式算法不同,该方法侧重于关键路径覆盖的低资源消耗和高效的信息覆盖。1)结合分支覆盖和路径覆盖的特点,根据量化的路径分数确定关键路径;2)提出了一种多收敛方向自适应粒子群优化算法,加速收敛并摆脱局部最优;3)融合尺度统一分支距离和多重分支权重思想构建了加权细粒度适应度评价函数。该方法有效地解决了分支条件下,因变量取值范围不同导致的分支距离计算偏差大的问题,提高了算法收敛的准确性,并能覆盖程序中更重要的分支。（3）为验证文章所提PDPMSPSO和HC-MPAPSO算法的有效性,本文在CEC2013测试函数集中对上述两种改进PSO算法的性能进行了验证。实验表明,PDPMSPSO和HC-MPAPSO算法在高维度和多峰值问题中相比于其它当前主流PSO改进算法的求解精度和鲁棒性等方面具有更好的性能。为验证基于多重分支特征与改进PSO的测试用例自动生成方法的效果,本文在六个正常规模和六个大规模基准程序上与六种测试数据生成方法进行了比较。实验表明,本文所提方法能有效解决自动测试数据生成的时间长,成本高和效率低的问题。