在现实生活当中存在的复杂问题,往往含有多个目标。这些目标之间存在关联又相互冲突。对此类问题,许多学者尝试使用群体智能算法去解决,粒子群算法因其强大的搜索能力与收敛能力受到广大研究者的青睐,因此许多学者尝试使用多目标粒子群算法去解决多目标优化问题。然而粒子群算法的快速收敛性,导致其粒子容易陷入局部最优,多目标粒子群算法的帕雷托前沿也存在着分布不均匀、多样性差等问题。因此本文针对这些问题,对多目标粒子群算法进行了改进,并将改进后的多目标粒子群算法应用于特征选择以及商品通关物流路径优化中,通过特征选择提取数据集中有代表性的特征,提高数据分类性能,并解决了商品通关物流路径选择问题。本文的主要工作如下:（1）在多目标优化问题中,由于传统拥挤距离存在缺陷,导致了帕雷托前沿分布不均等问题。为了解决这一问题,本文提出了一种新的拥挤距离计算方法,改进了拥挤距离计算公式。新的拥挤距离不再根据与粒子最邻近的两个粒子对拥挤距离进行计算,而是根据第一个粒子与最后一个粒子对拥挤距离进行计算,这不仅能够提升解的多样性还能够使解的分布更加均匀。此外本文还提出了一种新的变异机制,在传统柯西变异的基础上,根据种群的平均移动速度设置了一个能够自适应调整变异步长的参数,该参数能够在迭代前期以较大的变异步长提高粒子在种群中的搜索能力,而在种群的迭代后期以较小的变异步长扰动种群,加快算法的收敛。（2）将改进后的多目标粒子群算法运用于特征选择问题上,分别在8个测试数据集上进行测试,将得到的特征数量与分类错误率与其余三种算法进行比较,证明了本文提出的算法针对特征选择问题,能在降低特征提取数量的基础上,获得更低的分类错误率。（3）将改进后的多目标粒子群算法应用于进出口岸处各运单内的商品通关物流路径优化问题,从而优化通关路线。实验证明本文提出的算法能够在降低时间成本的同时降低总的通关成本。