粒子群优化算法(Particle Swarm Optimization, PSO)是一类新型的进化算法,因其原理清晰性能优越,目前已被广泛用于求解工程实际和科学研究中的多目标优化问题。然而,日益增加的变量维度以及不规则的Pareto前沿形状使得已有的粒子群优化算法在求解复杂多目标优化问题上出现性能退化。本文针对这两个难点问题,以分解为切入点,利用合作协同进化和双极偏好来分别对变量空间和Pareto前沿进行分解,研究基于分解的多目标粒子群优化算法及其应用。因而,本文的研究内容如下：1.针对多目标粒子群优化算法易陷入局部最优的问题,从变异策略选择、惯性权重设置和精英种群管理三个方面对算法改进进行理论研究。通过引入非均匀变异策略,增加粒子群跳出局部最优的概率,并利用线性递减的惯性权重策略,使粒子群的全局搜索能力与局部搜索能力保持平衡,并用经典的精英种群管理策略对非支配解进行管理。2.针对算法随着决策变量增多,性能急剧恶化问题,深入研究基于变量分解的大规模多目标优化方法,挖掘多目标函数变量关联背后所隐藏的数学特征；研究在搜索过程中如何以较小的计算代价来发现多目标函数中的关联变量,并融合合作协同进化策略,提出了基于变量分解的多目标粒子群优化算法。经过对标准测试函数进行仿真实验,表明该算法整体上比MOPSO、NSGA-II在解决大规模变量函数中具有更好的多样性与收敛性。3.针对双极偏好的概念,提出了一种新的理解方式,将其看作对Pareto前沿进行的分解。从应用研究上,将基于双极偏好控制的多目标粒子群优化算法应用于滑动窗口的图像检测中,提出了基于双极偏好的滑动窗口参数优化方法。根据实际情况考虑到决策者的正偏好(高检验率与低误检率),及负偏好(低检验率和高误检率),引入双极偏好控制策略,以滑动步长和图像缩放规模为优化参数,以误检率和检验率为优化目标,用BPMOPSO进行优化。与传统算法相比,实现了滑动窗口检测中检验率和误检率的显著改善。