在理论研究和实际应用中存在许多包含两个及以上冲突目标的多目标优化问题。但由于实际问题环境的复杂性,多目标优化问题的决策空间可能存在两个或两个以上的不同帕累托最优解集,而且这些解集同时映射于目标空间的同一个帕累托前沿,使多目标问题转化为更为复杂的多模态多目标优化问题。近年来,进化算法被广泛用于多模态多目标优化问题的求解。然而,现有算法专注于对问题决策空间的探索,忽略了其在目标空间的搜索性能。因此,本文对多模态多目标优化问题及其研究现状进行了详细深入的研究、总结和分析,针对多模态多目标优化问题的特性以及现有研究存在的问题,提出了一种新的基于双准则框架的的多模态多目标差分进化算法,在个体选择阶段使用基于指标适应度的评价准则,在环境选择阶段使用基于帕累托准则的非支配排序方法,在保证算法决策空间多样性的同时提升算法在目标空间的分布和收敛性能。首先,本文介绍了多模态多目标优化问题的研究背景及意义;对多模态多目标问题模型进行阐述;分别介绍了多目标进化算法、多模态多目标进化算法和基于指标的多目标进化算法的研究现状,并对具有代表性的算法进行详细介绍。其次,提出了基于双准则差分进化的多模态多目标优化方法（BCDE-MM）。介绍了帕累托准则和指标准则两种个体适应度评价方法;阐述了本文所设计的基于聚类的指标适应度值分配方法,在保证决策空间多样性的同时兼顾种群在目标空间的分布和收敛性能;在基本差分进化的基础上,提出基于指标适应度的自适应变异方式选择策略,为不同适应度等级的种群个体匹配不同的变异策略,提升种群搜索效率,平衡收敛性和多样性;介绍了基于特殊拥挤距离的非支配排序方法;最后,对基于双准则差分进化的多模态多目标优化算法整体框架和详细流程进行描述。最后,本文通过CEC2019多模态多目标优化问题测试函数集和实际选址问题对本文所提算法进行验证,并与六个当前较为流行的多模态多目标进化算法进行对比实验并分析,实验结果验证了本文所提算法在解决多模态多目标优化问题时的有效性以及优越性。