多目标优化问题普遍应用在实际的各个科学邻域和工程项目中。传统的多目标优化算法大多是将多个目标通过增加权重向量转变为多个单目标,随后对单目标实现优化求解。然而,权重向量的取值本身就是一个优化问题。随着近年来进化优化算法的提出,使用进化优化算法实现对多目标优化问题的求解越来越多。然而,随着问题的复杂化,其考虑的因素越来越多,导致优化变量越来越多,从而获得较好的Pareto前沿越来越困难。到目前为止,虽然已有多种不同的多目标问题求解方法,但其在大规模决策空间的多目标问题中的应用还不是很多。另一方面,作为微粒群算法的变种,社会群体微粒群算法由于其多样性好在大规模单目标优化问题的求解上获得了较好的解。故在本论文中,我们首先提出了使用社会群体微粒群算法,结合分解策略,实现对大规模多目标优化问题的求解。另一方面,为降低优化问题的评价次数,节省计算成本,我们又提出了支持向量机辅助的社会学习微粒群算法,通过使用历史实际计算的位置及相应的适应值,训练支持向量机,并对新种群进行判断是否可能为非支配解,如果为非支配解,则进行真实目标函数的计算。通过在不同测试函数上的仿真实验结果表明,本论文提出的两种方法相比于MOEA/D算法能够获得更好的最优解集。