在科学研究与工程实践中存在大量的多目标优化问题，所涉及的领域包括城市运输、城市布局、能量分配、资本预算等，因此研究解决多目标优化问题的有效算法具有重大的科学意义和应用价值。由于各目标的改善之间相互冲突，问题的最优解并不唯一，不存在一个解的所有目标都好于其它的解，这就给解决多目标优化问题带来了一定的难度。尽管运筹学领域里出现了很多的多目标优化问题解决方法，但问题本身的复杂性使得高效的优化算法仍然是多目标优化领域的需要。粒子群算法是近年来发展起来的一种非线性函数优化方法，是模拟鸟群捕食行为的一种群体智能算法，由于其具有简单、收敛速度快、可调参数少等优点，近年来被频繁用于解决多目标优化问题。本文在分析了多目标优化理论和粒子群优化算法理论的基础上，重点研究了求解多目标优化问题的粒子群优化算法的原理。研究内容主要包括：首先介绍了研究改进粒子群算法和多目标优化问题的目的和意义以及多目标优化算法的发展过程和研究现状。然后对多目标优化的基本理论、粒子群优化算法的基本原理进行了分析。为了改善粒子群算法极易收敛到局部最优的不足，提高粒子群算法的收敛性，在比较了常用的几种变异算子的基础上，提出了一种多尺度变异粒子群算法。算法采用大小不同尺度的高斯变异机制提高搜索效率。在算法搜索的前期阶段，通过大尺度变异算子能够完成最好解区域的大致定位，随着迭代次数变异尺度也逐渐减小，最终在算法搜索的后期阶段，由小尺度变异算子实现对最优解附近区域的深度开采。同时给出了算法收敛原理。针对多目标优化问题采用新的速度更新公式来维持解的分布性，并利用拥挤距离排序的方法对外部存储器中的最优粒子进行维护和更新。最后选取4个典型Benchmark函数优化问题，并同其他带变异操作的PSO算法进行比较，仿真结果表明，该算法不仅具有更快的收敛速度，且全局解搜索能力有显著提高。针对多目标优化问题，选取4个典型的二维多目标优化函数问题和两个三维的多目标优化函数问题对算法进行了测试，并同其他算法进行比较，仿真结果表明该算法具有更佳的优化性能。