粒子群算法(Particle Swarm Optimization,PSO)是通过模拟鸟群中个体之间相互协作的寻优能力,从而形成的一种群智能优化算法。作为群智能算法的典型代表,粒子群优化算法已被证明是一种有效的全局优化算法,PSO算法由于原理简单、容易实现、参数少等优点,一经提出就受到许多研究者的关注。目前,PSO算法已被广泛应用于工程优化、图像处理、数据控制等领域。但是由于PSO算法来源于生物群体,其理论基础和应用都不完善,因而需要有进一步研究。本文主要对标准粒子群算法和离散粒子群算法进行分析、改进并加以应用,主要的研究工作如下：1.针对传统粒子群算法存在的早熟收敛问题,提出了自适应惯性权重的混沌粒子群ACPSO算法。该算法的主要思想是首先根据混沌映射的随机性和遍历性特点,利用混沌序列产生粒子群算法的初始种群；然后,利用模糊分类的思想求出代表种群进化状态的进化因子参数,再根据不同的进化状态来自适应的调整粒子群算法的惯性权重参数。实验表明,与其它几种改进的粒子群算法相比,该算法既能很好地提高全局搜索能力,又能有效地避免早熟收敛问题,同时也说明ACPSO算法应用的可行性和有效性。2.在上述对ACPSO算法性能的分析基础之上,将改进的算法应用于图像的增强。通过实验结果对比表明,与其它几种方法相比该算法在图像增强中有较好的效果。3.针对单一的实数粒子群算法或二进制数粒子群算法,无法解决一些工程中既有实数又有整数的问题,设计出了一种实数-二进制数混合的粒子群HPSO算法。在验证了算法的性能之后,利用该算法实现了正弦信号的参数识别,实验表明该算法能够取得较为理想的结果。4.对于传统的求解多目标的方法,都是先将多目标优化转换为单目标优化的问题,然后利用求解单目标的方法进行求解。但这种方法通常会存在一些缺陷,本文中通过在改进的粒子群算法ACPSO中引入非支配排序技术来解决多目标的优化并用该方法实现多目标背包问题的优化。