粒子群优化算法(PSO)是近年来被广为关注和研究的一种群体智能优化算法,源于对鸟群觅食行为规律的模拟。PSO算法具有编程简洁易行、调整参数少、收敛速度快和通用性强等优点,然而PSO算法也存在早熟收敛,容易陷入局部最优等缺点。因此本文首先从理论上分析了PSO算法的早熟收敛等问题,进而提出了两种可以避免早熟收敛和增强全局收敛能力的PSO改进算法。其次以连续搅拌反应槽系统(CSTR)为研究对象,将两种:PSO改进算法应用到CSTR中动态数据校正领域,从而提出了基于PSO算法的动态数据校正下技术研究的新方法。最后通过仿真验证了两种PSO改进算法均能避免早熟收敛和改善全局收敛性能,并且在CSTR动态数据校正中也均能显著提高优化效率和优化性能。　　 本文主要工作如下:　　 1.提出一种基于不确定知识的粒子群优化算法(PSO-UK)。PSO-UK算法将不确定知识引入到粒子群优化算法中,并对个体知识、群体知识和不确定知识随机参数进行了归一化,使得粒子在每一步演化中都能获得完备的知识,从而抑制了粒子的退化,并且克服了粒子早熟现象。理论分析说明了PSO-UK算法具有全局优化能力,最后通过典型测试函数进行优化测试,并与其它改进的PSO算法进行仿真比较,验证了PSO-UK算法的优越性。　　 2.提出了一种基于周期性演化策略的粒子群优化算法(PSO-PES)。PSO-PES算法构建了基于群能量的最优值扰动策略,使得粒子群能够周期性演化,这样既能保持算法的多样性,又能提高算法的收敛速度和精度。PSO-PES算法能有效的避免在求解最优解时的粒子早熟问题,并与PSO-UK算法进行仿真对比,证明了PSO-PES算法有较好的克服粒子早熟收敛特性和提高全局收敛的性能。　　 3.提出将PSO改进算法应用在动态数据校正领域。为了改善动态数据校正性能,将PSO-UK和PSO-PES算法应用在CSTR的动态数据领域里。基于改进PSO算法的的动态数据校正方法能够有效的识别出显著误差,同时也能得到最接近测量值的估计值,并且通过仿真验证了两种新方法的优良效果。