粒子群算法通过一组初始化的粒子群体在搜索空间进行并行搜索，迭代搜索出最优解。其优点是对问题的依赖性小、概念简单、收敛速度快、容易实现等，已被广泛应用于函数优化、多目标优化、自动目标检测、生物信号识别、图像分割、动态环境优化、决策调度、模糊控制系统、神经网络训练等众多领域。然而粒子群算法主要应用于连续空间的优化问题，而现实世界中还有很多问题是离散的，变量是有限的，因此需要对粒子群算法进行离散化，使其适用于解决离散空间优化问题。另外粒子群算法存在早熟的现象，优化结果精度不高，因此需要对粒子群算法进行改进以提高解的精度。论文的主要工作如下：首先研究了粒子群算法的基本原理和进化机理，分析了粒子群算法的两种主要的离散化方法，重点研究了二进制粒子群算法。在遵循二进制粒子群算法基本原理的基础上，改变了算法的具体进化规则，利用个体最优解和全局最优解以及上一次迭代结果直接运用贝叶斯公式得出本次迭代粒子位置取值的概率，并将该概率与随机函数值进行比较确定粒子位置值，提出了改进的二进制粒子群算法。通过计算DeJong测试函数发现，计算结果符合预期要求，证明了该算法的有效性和收敛性。其次针对改进的二进制粒子群算法容易早熟、解精度不高的缺点，引入小波变异操作，对粒子进行微调，提高粒子群体的多样性，提出了基于小波变异的二进制粒子群算法。从实验得知，该算法计算结果优于二进制粒子群算法，有更好的搜索精度，解的质量更高。最后将基于小波变异二进制粒子群算法应用于软硬件划分问题。将目标系统的结构规定为二向划分模式，也就是单CPU+单ASIC结构，对该结构的目标系统采用DAG图进行建模，将软硬件划分问题转化为带约束条件的0/1背包问题。并提出一种改进的广度优先遍历法对系统进行任务调度，通过对实例的计算证明该调度策略是有效的。用小波变异二进制粒子群算法和二进制粒子群算法对不同规模的划分问题进行软硬件划分，实验结果表明小波变异二进制粒子群算法解的质量高于二进制粒子群算法，在满足约束的基础上，系统的执行时间更短，划分结果更好。