利用多目标进化算法(Multi-Objective Evolutionary Algorithm, MOEA)优化设计地下水管理模型是地下水领域的一一项重要研究课题。进化算法是一种高鲁棒性的全局优化算法,具有自组织、自适应、自学习的特性,不受问题性质的限制,能够有效地处理传统优化算法难以解决的复杂问题,因此目前在地下水资源管理领域得到了广泛的应用。但在实际应用过程中,非劣解的局部最优性与全局多样性的权衡,以及计算效率偏低往往成为MOEA应用发展的瓶颈。为克服以上问题,本论文对MOEA在地下水资源管理模型中的应用这一课题进行了研究。首先,综述了目前MOEA在地下水资源管理模型中的研究和应用现状,并总结存在的缺陷和不足。然后,基于邻域搜索的禁忌搜索算法(Tabu Search, TS),提出了适用于确定性水文地质条件下的三种多目标优化技术：基于小生境Pareto禁忌搜索算法(Niched Pareto Tabu Search, NPTS)、基于精英保留策略的多目标禁忌搜索算法(Elitist Multi-Objective Tabu Search, EMOTS)、基于小生境Pareto禁忌遗传混合算法(Niched Pareto Tabu Search combined with Genetic Algorithm, NPTSGA)。同时为了处理地下水管理模型中水文地质参数的不确定性,提出了基于改进小生境Pareto随机遗传算法(Probabilistic Improved Niched Pareto Genetic Algorithm, PINPGA)。第一种算法NPTS继承了Baykasoglu提出的多目标禁忌搜索算法(Multiple Objective Tabu Search, MOTS)的结构框架,引进小生境技术和适应值共享函数库,以提高MOTS的全局搜索能力和计算效率；第二种算法EMOTS借鉴了改进非劣分类遗传算法(]Mondominated Sorting Genetic Algorithm Ⅱ, NSGA-Ⅱ)的精英保留策略,引进拉丁超立方抽样(Latin Hypercube Sampling, LHS)生成邻域解,由此算法求得的非劣解能收敛于真实解,且沿着权衡曲线分布均匀；第三种算法NPTSGA将NSGA-Ⅱ种群进化操作与NPTS相混合,兼顾权衡非劣解的局部最优性和全局多样性,算法在保证解的收敛性和计算效率的前提下,维护了整个进化群体的多样性；第四种算法PINPGA是在确定性地下水多目标管理模型的基础上,通过引入随机Pareto控制排序和随机小生境两项技术,寻求参数不确定条件下地下水多目标管理模型的Pareto最优解。分别通过函数测试分析验证了以上四种方法的合理性和有效性。接着,采用模拟-优化建模框架,将四种MOEA与地下水模拟程序相耦合,开发了用于优化设计地下水多目标系统的模拟优化管理模型,并用这些模型对若干典型的地下水资源管理问题进行了分析和探讨,不同测试算例和应用实例分析验证了基于四种MOEA的模拟优化管理模型的有效性和适用性。最后,对本论文的研究内容和结果进行综合分析和讨论,系统地阐述了经改进和完善后得到的MOEA优势和不足,详细总结了由本论文分析得到的关于地下水系统多目标优化管理的若干认识；另一方面,对今后拟开展的研究提出了几点展望。