粒子群优化算法（Particle Swarm Optimization，简称PSO）具有实现简单、收敛速度快、通用性强等优点，能够快速的为路径测试生成测试数据，对提高软件测试效率，降低软件开发成本有很重要的意义。但是该算法也存在局部搜索能力不强，容易陷入早熟以及浪费资源等缺点。本文对PSO算法在路径测试数据自动生成中的运用进行研究，并针对其存在的缺点进行改进，主要的研究内容如下：（1）对运用PSO算法进行测试数据生成的方法进行了研究，讨论了在其运用中的两个关键问题：适应度函数的构造以及算法参数的设置。（2）对测试数据的运动轨迹进行研究，分析出测试数据在搜索空间运动模式的差异性，结合K-means聚类算法对PSO算法中的粒子进行聚类。（3）提出了基于自适应策略的改进算法AIC-PSO算法。自适应策略中采用集群指标CI表示PSO算法中粒子群分簇后每个簇的密集度，并依此作为权重因子W的调整依据。将该算法与现有的针对PSO算法的改进算法进行对比实验，实验表明：该算法不但能够提高算法的测试数据生成效率而且能够增加PSO算法中粒子的多样性，有效的防止算法早熟。（4）提出了给予简约策略的改进算法SP-PSO算法。该算法采用在K-means聚类算法的基础上改进的二次聚类算法对PSO算法进行分簇，集群指标CI表示簇中粒子的密集度，CI作为是否使用简约的依据。将该算法与其他的PSO改进算法进行对比实验，实验结果表明：该算法能够降低算法对计算机资源的消耗，而且具有更高的测试数据生成效率。（5）采用Java语言实现一个测试数据生成工具。结果表明，该工具能够有效的对被测程序的目标路径生成测试数据。