森林的健康、稳定与空间结构密切相关,研究基于智能信息处理技术的森林空间结构优化对我国森林可持续经营及“两型”社会发展具有重要的理论和现实意义。森林空间结构涉及多个方面,森林空间结构优化的多个目标互相冲突、约束条件复杂,实际是一个非线性多目标规划问题,应用常规数学规划方法处理具有较大的局限性,难以取得很好的效果。粒子群算法(PSO)和遗传算法(GA)是近年来发展起来的全局优化算法。粒子群算法利用群体中的各个粒子过去的经历和其它粒子的经历获得有效的信息,对于大多数优化问题,其有更快的收敛速度,需要设置的参数较少等特点,但它们在解集分布性、收敛性方面仍存在不足,涉及到的实际应用较少。遗传算法由于其隐含的并行性性和高度的鲁棒性被广泛用于各类复杂优化问题。本文在全面分析表征森林空间结构特征的基础上,研究提出了改进遗传、粒子群混合多目标优化算法(MO-GAPSO)求解森林空间结构多目标优化问题。通过经典优化性能的函数对提出的算法性能进行测试和现实林分空间结构模拟优化验证了改进混合算法的有效性和可行性。主要研究工作和研究结论包括：(1)在林分尺度筛选了混交度、竞争指数、相对角尺度、林层指数、空间密度指数、开阔比数、大小比数7个森林空间结构因子,设置了森林空间结构优化的目标函数和约束条件,建立了森林空间结构多目标优化的基本数学模型。(2)将单个林木在林分空间中的坐标位置、混交度、竞争指数、相对角尺度、林层指数、空间密度指数、开阔比数、大小比数等均映射成染色体中的基因,每株林木成为一个独立的染色体,将空间结构优化的多目标函数设置为遗传算法的适应度函数,构建了基于MO-GA的森林理想空间结构模型,把森林空间结构的多目标优化问题转化为遗传种群的进化寻优问题。实例分析表明：基于改进MO-(GA模型能够有效的求出森林的理想空间结构。(3)在PSO算法中引入遗传算法机制,提出了改进MO-GAPSO算法求解森林空间结构多目标优化的基本数学模型。将林分内的每一棵树木都视为PSO解空间中的一个解,即将整个林分空间映射为粒子群体的目标求解空间,将林木在林分内的空间坐标映射为“粒子”在解空间中的位置,通过林分空间的多目标函数设置粒子群体的适应度函数,建立了基于MO-GAPSO的森林空间结构优化模型,把定位森林空间结构薄弱环节的多目标问题转化为粒子群的迭代寻优问题。实例验证表明：该改进算法能快速的找出全局最优解,基于MO-GAPSO模型能够准确定位影响森林整体空间结构的目标树。(4)利用Rosenbrock和Rastrigin两个经典测试算法优化性能函数对改进MO-GAPSO算法性能进行了测试并与标准粒子群算法进行对比分析,实验结果表明：改进GAPSO算法的搜索精度较标准PSO算法提高了40%以上,收敛速度提高了20%以上,适应度函数曲线更平滑且最小值更小,算法摆脱局部最优的能力有所提高,其性能优于标准粒子群算法。