针对粒子群优化算法在搜索高维多峰问题时容易出现种群多样性减少，导致算法早熟收敛，陷入局部最优等缺点，提出了一种基于多尺度分数阶多重记忆与学习的粒子群算法。该算法将分数阶微积分引入标准粒子群速度、位置更新公式，通过记忆粒子的历史速度、位置轨迹、个体最优轨迹、种群最优轨迹，借助分数阶微积分具备的长期记忆特性来充分利用寻优过程中的历史信息，增强算法的收敛速度和收敛精度。同时针对种群进化过程中出现的一些特殊情况，采用多尺度分数阶和轨迹纠错学习策略来保护种群多样性，减少算法陷入局部最优的可能。通过与其他粒子群改进算法的对比实验，结果表明，该算法具有较快的收敛速度和较高的收敛精度。