近十年来,深度学习在各个应用领域（例如图像分类,语音识别,自然语言处理等）都取得了不错的效果,其主要依赖于神经网络架构的精妙设计。当前采用的网络架构大部分均由人类专家手动设计开发,过程耗时且易出错。因此,神经架构搜索（Neural architecture search,NAS）技术应运而生。与传统的自动化机器学习技术相比,神经架构搜索不再局限于深度学习中学习率等超参数的优化,而是将搜索范围扩展至卷积核种类、卷积核大小等更加关键的架构超参数。在神经架构搜索过程中,一个深度网络架构的完整训练和评估非常耗时,往往需要耗费数小时至数天。此外,在庞大的搜索空间中,如何有效地选择合适的架构,也是神经架构搜索需要解决的关键问题。如果仅以网络的精度为目标进行搜索选择,容易导致网络结构过于庞大,无法部署在常见的手机等资源受限移动设备上。针对上述问题,本文提出了基于并行进化算法的高效多目标神经架构搜索。在搜索过程中,采用多目标进化算法,兼顾网络精度和网络计算复杂度,同时通过并行策略和代理模型技术,充分利用硬件资源和历史评价数据,加快神经架构的评估与搜索过程,最终实现高效的多目标神经架构搜索。本文的主要研究内容如下:（1）提出基于并行进化算法的多目标神经架构搜索。首先,充分利用多目标进化算法在多个冲突目标之间的权衡能力和良好的个体分布性,提升算法对搜索空间的探索效率,一次运行即可得到一组分布在前沿的不同大小的网络架构,满足具有不同计算能力的硬件设备的部署需求。同时,通过同步和异步并行策略,将网络架构的评估分别以个体和种群为单位,分散到不同子节点进行分布式训练和进化,以此提高网络架构的评估速度,提升算法效率。（2）在上述同步并行策略的基础上,构建基于集成学习的随进森林代理模型,进一步提出了基于代理模型的高效并行多目标神经架构搜索。在该算法设计中,首先依据少量的初始数据构建代理模型,在随后的神经网络架构搜索中,对每一代选择的个体（即网络架构）进行K-Means聚类和采样,并利用真实评估得到的新数据更新代理模型。通过代理模型进行网络架构的廉价的近似评估,进一步加快了神经架构搜索的速度。（3）在CIFAR-10数据集上对提出的算法效果进行评估,并与传统的人工设计的神经网络和具有代表性的优秀神经架构搜索方法进行对比,验证了本文提出的算法在图像分类问题上的精确度和高效性。在CIFAR-10数据集上的实验结果表明,本文设计的基于并行进化算法的高效多目标神经架构搜索,显著地提升了算法的搜索效率,在网络精度和参数量方面和其他算法相比也具有较好的竞争力。此外,将本文提出的神经架构搜索方法与在线代理模型机制结合,算法效率得到了进一步的提升。