现实生活中的大部分问题都是由多个需要同时达到最优的多目标问题组成的,且目标之间常常是相互冲突的。粒子群优化算法是一种依靠群体协同逐步迭代寻优的算法,具有概念简单,易于实施和收敛速度快等优势,其被广泛用于各种优化问题,但其被提出之初只适合解决单目标优化问题,本文结合粒子群进化的隐含并行特性,重点对现存的多目标粒子群优化算法存在的不足进行了改进,并将改进算法进行甲醇转化为烃类物质的建模,系统辨识整定以及Kumar模型的一次选择性系数优化等工业领域,主要内容包括：首先,对基本粒子群和多目标粒子群算法进行了概要性的介绍,并对其研究现状进行了深入的分析和研究,在此基础上对粒子群改进的设计要点进行了总结,最后给出了多目标进化算法的一般步骤和相关测试函数及其性能度量指标。其次,提出一种基于动态链接矩阵的自适应多目标粒子群优化算法。该算法采用链接矩阵进行种群拓扑结构的表示,在进化过程中根据种群进化状态进行种群链接形式和进化权重等参数的自适应调整,当粒子探测到种群陷入局部最优时,引入种群的变异机制,可以跳出当前区域,在新区域内进行寻优,从而获得全局最优,并且在最优个体的更新时,采用基于均匀分布的设计思想从而保证了最优个体获取的分布性,将改进的算法与其他算法的实验结果进行对比,其结果表明对算法的改进是有效的。第三,针对闭环过程的输出噪声通过反馈与输入强相关造成闭环辨识难,甚至不可辨识的问题,提出一种基于闭环过程信息约束的前向通道模型辨识和多目标整定方法,采用前向通道对输出噪声进行隔离,从而模拟过程过程动态特性,并通过仿真研究证明了该方法是有效且可行的,针对系统质量指标对系统特性的评价关系,将基于动态链接矩阵的自适应多目标粒子群用于前向通道的多目标整定,通过研究表明其整定效果明显较优。第四,对于工业机理建模,对甲醇转化为烃类物质的模型系数和Kumar模型一次系数进行优化,针对Kumar模型中一次系数随油品不同而不同的特性,进行基于动态链接矩阵的多目标粒子群一次选择性系数优化,从而提高了模型预测的准确度,拓宽了模型在实际工业中的使用范围。最后,对论文的完成的工作进行了总结,并指出了未来可能的发展方向。