科学研究和工程实践中的许多问题都可以归结为一个多目标优化问题,因此研究求解多目标优化问题的有效算法具有重大的科学意义和应用价值。本文基于人工免疫系统理论和多目标优化理论,重点研究了求解复杂多目标优化问题的基于免疫原理的算法。主要研究内容包括：首先介绍了人工免疫系统及其在多目标优化算法的研究现状,在比较了几种基于免疫原理的多目标优化算法常用的变异算子的特点后,并仔细分析了现有的多目标优化算法在处理复杂的高维多模态问题时,很难使优化结果在逼近Pareto最优前端的同时保持解的多样性的问题,提出了一种混合变异策略,并根据此变异策略提出一种混合变异克隆选择多目标优化算法。在该算法中,进化在两个抗体群中进行,不同的抗体群采用不同的变异算子,并通过外部记忆抗体群的更新,来保留进化的最优抗体,避免算法进化后期出现退化现象。算法选择5个ZDT多目标优化问题进行测试,将算法和经典的NSGA-Ⅱ、SPEA-Ⅱ、NNIA等算法进行性能比较,结果证明新算法具有较好的求解性能和鲁棒性。其次,介绍了目标个数大于3个的高维多目标优化问题,针对处理高维多目标优化问题时,遇到的Pareto最优前端环境复杂、计算量大等问题,对混合变异策略和个体选择策略进行改进,并选取了2个可扩展的DTLZ高维多目标优化问题,对改进后的算法进行了试验仿真,通过和当前处理高维多模态算法较好的NNIA算法进行了比较,证明了算法求解高维多目标优化问题时性能上的改进。