生物技术作为现代的新型技术不断地发展推进，尤其是实施基因组计划。人类逐步得到了基因序列的相关数据。由此可知，如何精确、高效地分析基因序列并挖掘基因序列尤为重要。伴随着生物技术的发展，一方面推动着人类基因组计划也随之发展，同时带动着基因序列的数据库逐步增长，此时就需要借助计算机技术对基因序列数据进行收集、整理。为了能够更好的解析基因序列，就必须对基因序列进行全方位比对分类，创建较好的数学模型，进而完成预测、仿真及验证操作。基于此，本课题选择了通过计算智能的相关算法来对基因序列分类进行研究。　　本文首先对生物信息处理及基因序列进行了说明介绍，总结了基因序列的表示方法以及各种基因序列分类的算法模型。传统的分类算法在处理这类问题时主要是采用加权算法，加权算法的核心思想就是用单目标优化问题来取代多目标优化问题，但是传统算法未充分考虑基因序列分类问题的复杂性，特别在权重因子的取值上面相当困难。　　基于这种分析，本文重点介绍了PSO（粒子群）算法的基本理论和算法模型，并分析得出了标准PSO算法容易陷入局部最优的缺点。考虑到传统解决方案的局限性，本文基于现有的算法，并融入目标优化的理论，进而提出基于多目标理论的PSO优化算法。本文所提出的算法主要是借助Pareto所存在的支配关系，进而对粒子的最优值进行更新;并且通过本文改进的算法来重新组织粒子群体的非支配集;通过使用缓冲区存储在检索过程中所查找出来的非支配解;选择全局最优粒子的方法则通过从缓冲区筛选出距离最大的粒子;为了保证结果的分散性，则运用本文改进的算法对非支配解进行裁剪。为了对粒子的局部搜索能力和全局搜索能力进行平衡，则利用每个粒子的优劣程度来判断。实验证明，在实现基因分类的程度上，本文所提出的算法是可行的。