在实际生活与工程应用中存在优化目标数较多且目标相互冲突的问题,这类问题被称为多目标优化问题。当目标个数大于3时,也可以被称为高维多目标优化问题。由于传统的多目标优化算法在面对高维多目标优化问题时性能下降,并且随着优化问题目标维数的上升,算法在目标空间的搜索会越复杂,优化算法复杂度也会随之增大。因此亟待设计出更加高效、性能更优的算法来解决高维多目标优化问题。随着人工智能领域中的机器学习算法快速发展,基于无监督学习的聚类策略逐渐成为解决高维多目标问题的热点研究方向。基于此,本文以聚类策略为基础,开展基于聚类策略的高维多目标优化算法的研究,主要研究内容如下:（1）给出了当前解决高维多目标优化问题的高维多目标进化算法框架,并根据框架介绍了基于个体重组和环境选择的高维多目标进化算法及所存在的不足和缺点。对聚类策略用于多目标优化问题进行综述介绍,并阐述了本文所研究使用的自组织映射网络、算法标准优化问题测试集和算法性能相关评价指标。（2）为了提高个体质量,引导算法逼近真实Pareto前沿,本文利用种群个体的数据结构信息及个体之间的相似性,提出一种基于SOM聚类和自适应算子选择的高维多目标进化算法。该算法首先采用SOM聚类算法提取数据结构信息,以获得个体间相似性。然后每个个体与相应的神经元相关联,将相似个体分配到相邻神经元。随后在类内利用个体支配信息进行自适应算子选择来产生优质子代引导个体重组,增强算法性能。最后将提出的重组方法与现有优势的环境选择策略相结合,增强种群的多样性和收敛性。实验结果表明,提出的算法在解决WFG问题和DTLZ问题上具有较强的竞争力并且性能指标整体优于对比方法。（3）为了解决优化算法在面对高维选择时,基于Pareto支配选择策略的算法选择个体压力减小,无法进一步区分优秀个体,并且无法维持种群的多样性和收敛性,提出一种基于SOM构建超平面的子空间关联策略。该策略首先采用SOM聚类策略构建个体聚类池。然后依据当前个体的聚类池内个体构建超平面,获取突出贡献个体,提升选择优秀个体压力,进一步保留非支配个体,增强算法的选择压力。最后利用子空间关联策略维持种群的多样性和收敛性,并对空子空间采用一种角度距离惩罚函数进行选择处理,提高种群多样性。此外,基于SOM构造超平面的子空间关联策略进一步提出了一种高维多目标进化算法,称为Ma OEA-HSOMS,用于求解高维多目标优化问题。实验结果表明,该算法在WFG测试问题中获得优异的性能,具有较强的竞争力,能够较好的解决高维多目标优化问题。