现实生活与工程实践中,存在多个最优解的多模态优化问题是一类常见的优化问题,例如电磁设计、蛋白质检测、行人检测和路径优化等。然而大部分已经存在的多模态优化算法都依赖小生境参数,用多目标方法解决多模态优化问题就可以避免这类问题,因此本文研究了一系列基于多目标方法的多模态优化算法,主要工作和研究成果如下:提出了一种基于分解多目标方法的多模态优化算法（A multimodaloptimization algorithm based on the decomposition-based multi-objective method,MMO-MOEA/D）。该算法通过利用第一维决策变量和原始多模态函数值等信息直接将多模态函数转换成为拥有两个互相冲突目标的多目标函数。在确定该转换方法的有效性之后,采用一种基于分解的多目标进化算法对该转换后的双目标函数进行优化。通过优化一组多模态测试函数,对提出的算法进行性能评估;通过与一系列经典的多模态优化算法进行比较实验来验证所提出算法的有效性。针对目标直接转换法中存在决策变量信息利用不完全的问题,本文提出了一种基于改进的分解支配多目标方法的多模态优化算法（A multimodal optimization algorithm based on improved multi-objective method based on decomposition and dominance,MMO-IMOEA/DD）。该算法采用了一种目标扩展法将一个双目标函数扩展成为多个双目标函数,从而更新了 Pareto支配关系。提出了一种新型邻域更新策略。该策略在进化过程中极大地平衡了种群多样性和收敛性。基于分解和支配的多目标进化算法框架结合了更新后的Pareto支配关系以及新型邻域更新策略求解转换后双目标函数,从而找到最优解。仿真实验结果表明,所提出算法能够有效地解决多模态优化问题。