针对一类考虑随机旅行时间、随机服务时间和时间窗约束的车辆路径问题（Vehicle Routing Problem with Stochastic Travel Time,Stochastic Service Time and Time Window,VRPSTSTW）,分别构建了机会约束规划模型（Chance Constrained Programming,CCP）和带修正策略的随机规划模型（Stochastic Programming with Recourse,SPR）。针对CCP和SPR模型,文中所做主要工作叙述如下:在CCP模型中,到达时刻机会约束检查是极为重要的一环,也是决定求解质量的关键步骤。本文给出了一种新的检查方法,该方法可避免截断变量分布函数的计算。同时,设计了改进迭代局部搜索算法（Modified Iterated Local Search,MILS）,并给出了用于该类问题的初始解生成方法。为验证MILS和新方法的有效性,基于Solomon算例进行了若干组仿真实验。针对MILS,对比现有文献实验结果,结果表明:MILS能在短时间内获得CCP模型的高质量解,初始解生成方法有助于降低算法运行时间;针对新方法,对比了三种鲁棒优化场景,结果表明:新方法可用于机会约束条件检查,产生了具有较高服务水平的鲁棒解。此外,进一步探讨了客户分类对实验结果的影响,结果显示:考虑客户分类有助于降低配送成本;客户比与车辆使用数呈正相关关系。在SPR模型中,有效的修正策略可实现降低配送成本和提高客户服务水平的目的。本文设计了两种新的修正策略,分别为混合修正策略和预防性修正策略。在混合修正策略中,通过随机仿真实验估计某一客户的延迟服务对后续客户准时服务过程的影响程度大小,并据此选择特定的修正措施。在预防性修正策略中,通过改进的新方法识别并移出先验路线中容易引起路径“失败”的客户,文中将该类客户定义为“有失败倾向的客户（Failure Prone Customer,FPC）”。采用MILS求解先验路径,并给出了一种基于最小等待时间的初始解生成启发式规则。为验证MILS和两种新策略的有效性,基于Solomon算例,进行了若干组仿真实验。实验结果表明:所给出的初始解生成启发式规则具有优越性;MILS能够在短时间内找到问题的近似最优解,满足实际应用需求;混合修正策略优于文献中的常见策略,提供了具有较高客户服务水平和较低修正成本的配送路径;在预防性修正策略中,改进的新方法能够有效识别FPC,移除该类客户有助于降低先验路径的“失败”率、提高客户服务水平。由于参数对算法性能的影响较大,故对相关参数进行了灵敏度分析,为参数值的合理设定提供了强有力支撑。研究结果对解决资源有限条件下,克服随机不确定性因素带来的不利影响,保证客户服务水平等问题有一定的参考意义。