现实世界中很多实际问题需要同时优化相互竞争和相互制约的多个目标。对于这类多目标优化问题，最优解的个数往往不是唯一的，而是一组折衷解集，传统的常规优化方法很难或者无法解决。进化算法不需要决策者的偏好信息以及一次运行可以得到多个解，非常适合用来求解多目标优化问题。因此，本文主要研究了多目标进化算法解决连续多目标优化问题及其在多目标车间调度问题中的应用。主要研究内容包括：　　1.在介绍多目标进化算法相关概念和研究背景与现状的基础上，阐述了多目标进化算法的统一模型，并结合经典的多目标进化算法，分析不同的适应度赋值以及外部档案维护策略对算法获得的非支配解的收敛性和分布性的影响。　　2.针对连续多目标优化问题，使用一种基于自适应选择进化算子的SPEA2算法对其进行求解。改进的算法将 SPEA2算法与具有很强局部搜索能力的 DE算法融合，克服了 SPEA2算法由于采用固定的进化策略、进化过程中使用单一的进化算子，导致解的分布性不佳和易陷入局部最优解的问题。通过在标准的连续多目标优化测试函数集上仿真测试，改进算法获得的非劣解集具有更好的收敛性和分布性。　　3.对于两目标和三目标的作业车间调度问题，使用改进的 MOEA/D算法进行求解。算法使用多种优先规则生成高质量的初始解，并根据进化算子对外部档案的贡献大小自适应地选择相应的进化算子产生候选解。通过在标准的作业车间调度问题上测试，与基于 Pareto支配的多目标进化算法比较，仿真结果表明改进的算法得到非劣解集具有很好的收敛性。