在科学研究和工程应用中的各个领域存在着大量的优化问题，进行最优化方法的研究具有重要的理论意义和实用价值。在现实生活中我们通常遇到的问题往往是多目标优化问题，即要同时考虑多个目标，如效益最大、成本最小、风险最小等许多方面的因素，如何在多个目标中寻找一个公平、合理的解是一类比较复杂的问题。传统的优化方法存在着许多不足，在当今大规模生产中的应用也受到限制，而多学科的交叉研究为解决优化问题提供了新的思路，以生物智能或自然现象为基础的新型智能优化算法在研究与应用中表现出了优异的性能。 免疫算法是模拟生物免疫系统的智能行为而提出的仿生算法，它是一种确定性和随机性选择相结合的启发式随机搜索算法，作为计算智能的一个崭新的分支，越来越多的研究人员已经认识到了它在计算机信息安全、机器学习、最优化、模式识别、故障诊断、图像处理、自动控制与数据挖掘等领域潜在的应用价值。相比其它智能优化算法，免疫算法具有寻优成功率高、个体多样性好的特点，这种特性决定了免疫算法可以很好地应用到各种优化问题的求解中。 在研究免疫算法原理与特点的基础上，本文总结了基本的免疫算法存在的不足，继而提出了算法的改进措施，针对传统的免疫算法存在早熟收敛、局部搜索能力不强等缺点，提出了基于高斯变异和基于柯西变异的自适应免疫算法；利用混沌的特性，将混沌变异引入到免疫算法的克隆机制中，提出了一种混沌自适应克隆算法，并选取了若干标准测试函数对算法进行了测试，得到了较好的实验结果。在多目标优化中，由于需要同时考虑多个目标，要其同时最优一般是不太可能的，于是转为讨论多目标意义下的另一种“最优解”，即非劣解(亦称有效解，Pareto最优解)。但是对于Pareto解集的多样性和均匀分布，大多数多目标优化算法不能很好的同时解决，对此我们将混沌自适应克隆算法应用于这类问题中，并对算法进行了测试，结果表明算法可以有效地求解多目标优化问题。