在实际生活中,有很多优化问题是由多个目标组成。并且对于大多数优化问题,其目标之间通常是相互矛盾,相互冲突的。因此,找到一组解使其同时满足所有的目标是非常困难的。一般来说,当目标个数小于等于3个时,我们将这类问题称为多目标优化问题;而当目标个数超过3个时,称之为超目标优化问题。近些年来,随着智能优化算法的发展,进化算法吸引了越来越多不同研究领域的研究者的注意力。由于传统优化方法在解决复杂多目标优化问题时难以获得理想的效果,因而,有很多研究者受生物进化启发,研究出很多群智能进化算法,将其用于解决多目标优化问题。然而,解决超目标优化问题主要的困难在于随着目标维度的增加,非支配解在种群中的比例也在增加,导致种群中非支配解的选择压力增大,并且在高维目标空间中维护种群的多样性和解集的可视化非常的困难。为了解决超目标优化问题面临的诸多困难,本文将参考向量引入超目标进化算法中,探讨参考向量在引导种群进化以及改进算法的收敛性和多样性上所展现的性能。本文的第一个算法是研究参考向量在超目标进化算法中对种群的收敛性以及多样性的影响,提出一个基于分解和层次聚类选择的超目标进化算法（EA-DAH）;在第一个算法探讨出参考向量对种群多样性的改善基础上,为进一步改善算法的收敛性,本文提出的第二个算法是一个基于精英档案调整参考向量的两阶段超目标进化算法（TPEA-EAARV）。在数值实验部分,我们验证了提出的两种算法EA-DAH和TPEA-EAARV在DTLZ测试集上的性能,实验结果显示提出的新算法在解决具有不规则的帕累托前沿的超目标优化问题中展现了很好的性能。