多目标优化问题是对两个或者两个以上的目标函数同时取得最优解的优化问题。而在多目标优化问题中,目标函数往往具有异构性,即其中一个目标函数的函数值只能通过大量的计算来获得,并且导数不能在合理的计算代价内得到。而其他目标函数给出了解析表达式,其函数值和导数都很容易获得。通常多目标优化问题的目标是逼近整个有效点集,但如果涉及目标函数计算量非常大,逼近整个有效点集就变得不切实际。针对该问题,本文提出了一种改进的多目标异构信赖域算法（MHSGT）,具体工作如下:首先,改变多目标异构信赖域算法（MHT）中插值点集的更新方式。MHT算法利用最大化拉格朗日多项式函数改善插值点集的均衡性,该方法没有考虑到点之间的距离因素。因此,本文将简单的几何改进方法与自校正几何方法相结合,提出了一种改进的自校正几何方法。该方法保证了插值点集具有良好的几何性质,从而改善了模型函数的逼近效果。其次,改变MHT算法中试验点验收比值。本文将单目标信赖域方法中的试验点验收比值直接扩展到多目标情形。新的比值保证了每次成功迭代时每个目标函数都有充分的下降量,减少了不必要的函数计算量。最后,对改进后的算法,MHSGT算法,进行了收敛性分析,证明了改进后的算法仍然收敛到原问题的帕累托临界点。同时,通过数值试验结果知:整体上,MHT算法与MHSGT算法产生的计算量区别不大;但对于单个实例,MHSGT算法所需的迭代次数更少,计算量更小。