随机多属性决策是不确定性多属性决策的一个重要研究分支，是社会经济生活中常见的一类问题。简而言之，它处理多个方案在多个属性上取值为随机变量时，如何选优、排序或分类的问题。在实际的决策过程中，由于大量决策问题自身的复杂性和不确定性，导致方案属性值表现为随机变量和属性权重、决策者偏好等参数不确定或不能完全确定。这些问题，目前的研究很少涉及。因此对随机多属性决策理论与方法进行系统研究，具有较高的理论价值；在实际应用上，将这些方法应用于经济管理部门中，辅助相关管理人员决策，以降低决策风险，提高决策质量，具有重要的实践意义。本文在深入研究相关文献的基础上，根据随机型属性值的特点，把多属性决策方法的最新研究成果推广到随机多属性决策领域，构建了相应的决策模型，并根据优化理论和优化算法对其进行了有效地求解。主要成果如下：(1)对PROMETHEEⅡ方法进行了改进，使之有效地解决了随机多属性决策问题。在期望效用理论的基础上将随机支配SD(Stochast ic Dominace)关系与PROMETHEEⅡ方法结合，通过阈值的引入考虑了决策者的不同偏好水平，推广了PROMETHEEⅡ方法。(2)把证据推理(Evidential Reasoning)方法应用到了信息不完全确定的离散型随机多属性决策领域。首先利用证据推理算法对不完全确定信息进行集结，然后确定各方案的效用区间，再通过求解效用区间可能度矩阵的排序向量，得到方案的一个排序。(3)放松了最优化的条件，基于方案满意贴近度，对属性权重信息不完全确定的随机多属性决策问题进行了研究。首先将初始随机决策矩阵规范化处理，然后利用属性权重的不完全确定信息构建规划模型，求解得到满意方案，再利用方案满意贴近度和属性权重的不完全确定信息建立非线性规划模型，通过遗传算法求解该非线性规划模型得到满意属性权重向量，进而得到方案的一个排序。(4)基于WC-OWA算子，提出了一种随机多属性决策方法。针对属性权重信息不完全确定且属性值为正态分布随机变量的多属性决策问题，该方法首先根据正态分布3σ原则，把正态分布属性值转化为区间数，然后利用C-OWA算子集结区间数，再通过方案贴近度和WC-OWA算子，建立非线性规划模型，最后利用遗传算法对模型进行求解。(5)对基于粗糙集(Rough Sets)且有训练集的随机多属性决策问题进行了研究。首先在训练集的基础上，利用构造的偏好信息系统属性约简理论对属性进行约简，然后通过计算净流分值(Net flowscore)，给出方案的最终排序。(6)把逆序概率应用到随机多属性决策中，改进了随机多目标DEA方法。在该方法中，各决策单元DMU(Decision-making Unit)(即方案)的输入、产出指标(即属性)为一定分布的随机变量。在利用蒙特卡罗(Monte Carlo)方法对随机多目标DEA模型进行了求解后，通过逆序概率对结果的科学性与合理性进行了分析。通过在投资项目评价与选择方面，一些算例的分析，验证了以上方法的有效性和科学性，为在其它领域的相关应用，提供了有益参考。