生活中的问题本质上大多是多目标优化问题（Multi-objective optimization problems,MOPs）。这些问题包含了多个需要被同时优化的目标,传统的方法很难有效的解决这类问题。为了更好地解决MOPs,研究者们对优化算法进行了深入的研究。算法在不需要考虑目标函数性质的同时还能够得到一组较好的解,在处理MOPs上发挥了重要作用。其中多目标粒子群优化算法（Multi objective particle swarm optimization,MOPSO）在MOPs上性能表现良好。研究结果表明,将个体的历史有用信息反馈到以后的优化过程中可以提升算法性能。但对于MOPs,传统的信息反馈方法很难直接应用。为了能将反馈信息直接应用于MOPs并提高算法的性能,本论文提出了三种适合于MOPs的信息反馈新方法并与MOPSO算法相结合。论文的主要研究内容如下:（1）为了将信息反馈模型直接应用于MOPs,提出了一种基于互信息反馈模型的多目标粒子群优化算法（MOPSO-MIF）。该方法通过计算个体间的互信息值来确定信息反馈模型中每个个体的权重,此方法可以将信息反馈模型直接应用于多目标优化问题并保证了优化后的粒子具有一定的历史继承性。利用十个测试函数与两个现实优化问题检验算法有效性。（2）为了解决互信息反馈模型中个体间的互信息值计算对算法计算代价的影响,提出了一种基于模糊推理反馈模型的多目标粒子群优化算法（MOPSO-MEOP）。该算法结合基于最大熵原理的模糊推理策略与一步预测策略来预测信息反馈模型中各个体的权重,减少了算法的运行时间。利用竞争粒子群优化算法（CSO）的更新策略对外部档案中的个体进行更新,加快了算法的收敛速度。利用二十个测试函数与多阈值图像分割问题检验算法有效性。（3）为了解决信息反馈模型参数难以确定的问题,提出了一种基于速度反馈的多目标粒子群优化算法（V-MOPSO）。该方法利用个体间的速度大小确定反馈模型中个体的权重。在迭代前期,该方法可以提高个体的搜索效率;在迭代后期,可以维持一定的种群多样性。在五个测试函数上与其他五种MOPSO算法进行了对比实验,并利用该算法优化两个现实优化问题验证改进算法的可行性。综上所述,本论文对传统多目标粒子群优化算法进行了较为全面的研究和分析,提出了三种有效的改进算法并将其应用到实际优化问题中,为MOPSO算法性能改善提供了新的方法。