在实际应用中,区间多目标优化问题普遍存在,这类优化问题十分复杂,而且由于主客观因素的影响,优化问题的精确函数表达式往往是不已知的,不仅如此,优化对象的评估实验成本往往十分高昂。我们将这类问题被总结为“优化函数未知的昂贵区间多目标优化问题”,针对该问题本文根据建模数据是否充足,提出两种解决方法。针对建模数据充足的情况,本文提出了基于区间中点和不确定度的高斯建模法。该方法利用遗传算法对模型预测误差函数进行最小值优化,不仅实现对目标函数和约束函数区间中点和不确定度的高斯建模,而且解决了传统区间函数辨识中上下界建模缺少相关性的问题。然后将所建模型作为待优化对象的代理模型应用于区间多目标NSGA-II算法中。对于改进后的NSGA-II算法,文中指出了其依概率收敛到待优化问题理论Pareto前沿的前提条件,并利用随机过程理论给予证明。针对建模数据不足的情况,提出了一种基于最近邻法和主成分分析法的NSGA-II算法。该算法首先通过约束条件将待测解集分为可行解和非可行解,利用最近邻法对待测解和样本解进行相似性计算,判断待测解是否满足约束。然后对于两个解的Pareto支配性同样利用最近邻法来区分解之间的被支配和非被支配关系。由于目标空间拥挤距离无法求出,为此在决策空间利用主成分分析法将K-均值聚类后的解集降维,找出待测解的前、后近距离解,通过决策空间拥挤距离对同序值解进行筛选,实现NSGA-II算法的改进。对于改进后算法的收敛性,文中同样利用随机过程理论给予了证明。