最优化问题是工程实践和科学研究中普遍存在的问题，其中多目标优化问题是指那些需要同时优化多个目标的问题。一般来说，这多个目标是相互冲突的，因此，和单目标优化不同，多目标优化问题的最优解不是唯一的，而是一组最优解的集合。如何获取这些最优解，一直是学术界和工程界关注的焦点问题。基于进化机制的多目标优化算法已经被证明是一种解决多目标优化问题的有效算法。该类算法是将进化算法的计算技术应用到多目标优化领域而形成的一类智能优化方法，运行一次即可得到一组解，具有较高的求解效率，而且具有能够避免局部最优等特点。然而，现有算法的求解质量还难以满足实际的需要。因此，本文对基于进化机制的多目标优化算法进行了较深入的研究，工作主要针对精英种群的构建和子代个体产生方法这两个进化机制的关键因素进行：(1)为了提高多目标进化算法的求解质量，对精英机制进行了研究，提出了基于信息熵多样性维持方法的增强精英机制。该机制在非支配解数目不超过精英种群规定大小时，将种群中的非支配解集作为精英种群；而当非支配解数目大于精英种群规定大小时，采用基于信息熵的多样性维持方法对非支配解集进行筛减。这种多样性维持方法利用以个体为中心的区域及信息熵选择出个体分布最密集且最不均匀的区域，并从中选择一个分布最不理想的个体进行删除。将增强精英机制与传统的子代个体产生方法相结合，提出了基于增强精英机制多目标进化算法。实验结果表明，与一些经典算法相比，新算法不仅能获得良好的收敛性，而且也提高了种群的多样性。(2)为了更好地解决带变量关联的多目标优化问题，重点对分布估计算法的子代产生方法进行了研究，提出了基于混沌优化和网格筛选的多目标分布估计算法。首先对种群进行混沌初始化以及自适应的个体产生策略，加快种群中非支配个体的出现，提高算法初期的收敛能力；其次，利用混沌搜索对子代种群中的非支配个体进行局部寻优，以充分利用个体优势，加强解的精确性，增加种群多样性；最后，利用网格筛选策略对非支配解集进行筛选构建精英种群，使种群分布地更加均匀。实验表明，与已有算法相比，该算法具有较好的求解效果。本文主要对基于进化机制的多目标优化算法进行了研究，论文工作不仅丰富多目标优化算法的理论研究，而且也提升了基于进化机制的多目标优化算法的求解性能。