动态多目标优化作为一种具有多个目标的随机性优化问题,近几年来被广泛应用于工程系统设计、网络通信、船舶推力分配、投资管理等诸多优化领域。该研究难点在于如何在检测到环境变化后及时启动环境响应策略,设计更为全面、高效的环境响应策略及时迅速地响应环境变化,进一步提升优化效果,解决实际优化问题。本文通过对近几年国内外相关文献的总结与分析,并针对现有算法环境响应策略的不足等问题有针对性地改进,开展动态多目标优化中的历史中心点预测、提升算法收敛性及多样性的研究。首先,通过对国内外大量相关文献的阅读与分析,梳理了近年来动态多目标优化算法这一领域的主要研究方向及研究进展,并分别阐明了该研究在各个领域的应用和存在的不足之处,展望了未来的研究方向,对这一研究工作总结于研究成果综述一文中。其次,设计动态多目标优化算法的关键在于当检测到环境发生变化时,如何高效利用已有历史信息对变化做出快速响应。针对此问题设计了一种基于卡尔曼滤波预测的动态多目标优化算法（KFPS）,通过建立卡尔曼滤波模型对变化后的种群中心点进行预测,然后用近似理想pareto最优解集中心点对预测结果进行修正,以避免预测模型指导进化陷入偏好领域,影响优化效果。最后,针对卡尔曼滤波预测模型在部分非线性优化问题上的表现不足,设计了一种适用于非线性、高实时性的优化问题的集合卡尔曼滤波（EnKFPS）预测方法。EnKFPS利用历史信息建立数学模型,用集合卡尔曼滤波模型预测中心点,在发生变化时用预测的信息初始化种群。该算法克服了卡尔曼在解决线性问题的缺陷,节省更多的计算资源。论文重点通过对国内外各个研究内容的总结与提炼,并在已有研究的基础上,提出了适合求解线性问题的卡尔曼滤波预测方法与弥补其不足,并在非线性问题上表现较好的集合卡尔曼滤波预测方法。通过实验设计,对比其与其他现有经典算法在部分标准测试函数上的表现,证明了本文所提方法的可行性与有效性。