大规模稀疏多目标优化问题（Sparse Multiobjective Optimization Problems，SMOPs）广泛存在于现实世界。为大规模SMOPs提出通用的解决方法对于进化计算、控制论和机器学习等领域中的问题解决都具有推动作用。由于SMOPs具有高维决策空间和Pareto最优解稀疏的特性，现有的进化算法在解决SMOPs时，很容易陷入维数灾难的困境。针对这个问题，以稀疏分布的学习为切入点，提出了一种基于在线学习稀疏特征的大规模多目标进化算法（A Large-scale Multiobjective Evolutionary Algorithm Based on Online Learning of Sparse Features， MOEA/OLSF）。具体的，首先设计了一种在线学习稀疏特征的方法来挖掘非零变量。然后提出了一种稀疏遗传算子，用于非零变量的进一步搜索和子代解的生成。其二进制交叉和变异算子在非零变量搜索过程中，也用于控制解的稀疏性和多样性。与最新的优秀算法在不同规模的测试问题上的对比结果表明，所提出的算法在收敛速度和性能方面均优于现有的算法。