近年来,深度神经网络因其在多个不同领域中表现出的有效性,成为人工智能领域中的关键技术。在深度神经网络的部署场景中,因为终端设备、边缘服务器和云端服务器各自的需求和处理能力有所不同,所以其适合部署的神经网络结构也并不相同。因此,针对来自不同设备不同目标的需求设计对应的神经网络架构具有重要的研究意义和实用价值。然而,现有的通过人工设计来满足深度神经网络不同部署场景的的过程,往往是效率较低的。神经架构搜索属于自动化机器学习的子领域,可以被看作是设计神经网络结构的自动化控制系统,使得模型可以无需人工干预地学习到合适的网络结构。通过神经架构搜索的方式来针对多目标的神经架构需求进行自动设计,能够节约专家和工程师们大量的工作。其中,关键的难点是针对多目标神经架构需求的搜索算法设计。为此,本文研究了基于多目标优化的神经架构搜索问题,主要从双目标和多目标神经架构搜索两个方面展开了研究。本文首先研究了面向资源消耗和对抗鲁棒性的双目标神经架构搜索方法。该方法通过线性加权的方式,将两个不同的目标同时考虑进入搜索过程,从而将移动智能场景下对抗性鲁棒神经网络架构设计问题转化为了双目标的可微神经架构搜索过程。其中,通过引入对抗训练的方式来优化对抗鲁棒性的目标,随后融合利用递归资源估计的方法,在优化对抗鲁棒性的同时减少模型的资源消耗。实验结果表明,本文中提出的双目标神经架构搜索方法在两个不同偏好下得到的神经网络结构,在对抗鲁棒性和参数量的模型资源消耗上优于人工设计的移动神经网络结构。为了结合基于线性加权模型的基于帕累托边界模型的优点,本文提出了一种基于偏好预测的多目标神经架构搜索方法。该方法通过将来自用户分布偏好设置集加入到搜索过程中,使得多目标神经架构搜索可以在一次学习过程中探索多个偏好设置,并在后期通过用户给出的偏好返回合适的解。其中,该方法通过一种线性占优的分层算法来快速确定不同网络结构之间的优劣关系。此外,为了防止初始的偏好设定集使得学习过程陷入局部最优,采用协同进化的机制在学习过程中不断更新偏好设定集。实验结果表明,与原始的进化算法和帕累托边界主导的NSGA-II算法相比,该算法在NASBench101数据集上具有更好的Recall和Precision指标表现。