现实中大量的科学研究与工程实践问题都可归结为多目标优化问题。粒子群优化作为一种群体智能计算模型,易于实现且收敛速度快,适合于求解多目标优化问题,吸引了众多学者进行广泛而深入地研究。目前国内外已有部分多目标粒子群优化算法的研究成果,但仍然存在一些不足：方面,大部分算法缺乏监测种群进化环境的机制,无法获得实时的反馈信息,难以决定在何时调节何种进化策略到何种程度；另一方面,粒子群优化算法在求解高维多目标优化问题时优化能力急剧下降。针对以上不足,本文主要进行了以下研究：(1)针对缺乏监测进化环境机制的问题,设计了相应的监测机制,并在平衡全局搜索和局部搜索、平衡解集收敛性和多样性两方面分别提出了两种改进的多目标粒子群优化算法。在基于高斯混沌变异和精英学习的自适应多目标粒子群算法中,通过监测种群的收敛状态来自适应调节惯性权重和学习因子；而且,提出精英学习策略和改进的高斯混沌变异算子来调节局部搜索和全局搜索能力。而在基于档案解集状态的自适应多目标粒子群算法中,混合了两种全局向导选择策略,并通过监测档案解集所处的状态来自适应调整这两种策略的选择概率；此外,分别对粒子和档案解集中的个体进行扰动,根据档案解集状态和迭代次数动态调整这两种扰动的概率,使算法能兼顾解集的收敛性和多样性。(2)针对多目标粒子群优化算法在求解高维多目标优化问题上的不足,提出一种基于参考点的高维多目标粒子群算法。在目标空间中引入一系列的参考点,根据参考点来筛选出兼顾收敛性和多样性的非支配解作为粒子的全局向导,并提出了基于参考点的档案维护方法,维持解集的多样性。(3)将多目标粒子群优化算法应用于转炉炼钢铁合金加入量计算问题中。在转炉炼钢生产过程中,如何保证钢水中各成分含量达标的同时降低生产成本是影响钢铁企业生产效益的一个重要问题。本文在回声状态网络进行软测量的基础上,将该问题转化为一个多目标优化问题,并采用改进的多目标粒子群优化算法对其进行求解,在实际炼钢数据上的仿真实验表明,所提方法能在保证钢水成分含量达标的同时有效降低铁合金投入的成本。