高维多目标优化问题由于具有巨大的目标空间使得一些经典的多目标优化算法面临挑战.提出一种基于自适应模糊支配的高维多目标粒子群算法MAPSOAF,　该算法定义了一种自适应的模糊支配关系,　通过对模糊支配的阈值自适应变化若干步长,　在加强个体间支配能力的同时实现对种群选择压力的精细化控制,　以改善算法的收敛性;其次,　通过从外部档案集中选取扰动粒子,　并在粒子速度更新公式中新增一扰动项以克服粒子群早熟收敛并改善个体分布的均匀性;另外,　算法利用简化的Harmonic归一化距离评估个体的密度,　在改善种群分布性的同时降低算法的计算代价.该算法与另外五种高性能的多目标进化算法在标准测试函数集DTLZ{1,　2,　4,　5}上进行对比实验,　结果表明该算法在收敛性和多样性方面总体上具有较显著的性能优势.