针对当前普遍存在的昂贵高维多目标优化问题,代理模型已被证实为一种优秀的替代方案。目前已经提出大量代理辅助多目标进化算法解决该问题,然而目前算法普遍存在同代理模型结合不紧密、在目标个数和设计空间维度增多时算法急剧退化,无法在较少迭代后得到高质量非支配解集、代理模型更新效率太低,以及对于约束多目标优化缺乏关注的问题。因此,本文针对以上三个问题进行了相关的研究:（1）针对传统物理规划法无法得到完整Pareto前沿且需要大量真实函数评估的问题,提出偏好矩阵物理规划结合Kriging模型的高效全局优化算法。通过为每一个目标函数构建随机偏好值,每次迭代得到侧重不同目标函数的总偏好函数,将多目标问题转化为单目标问题,利用单目标优化算法有效解决多目标问题。通过测试函数和算法对比,算法表现优秀且高效。（2）随着目标个数和设计空间维数增多,代理辅助多目标算法的寻优压力增大,因此提出一种解决高维多目标优化的代理辅助算法:SHEMa EA。通过综合考虑个体不确定性和位置信息,基于自适应疏密度选点方法在种群中选择并行更新的样本点,实现代理模型精度提高和Pareto解集多样性和收敛性优化。在最多十个目标个数的多目标问题测试下,验证了算法的有效性。（3）为解决工程领域的昂贵约束多目标问题,基于提出的SHEMa EA算法,设计出一种处理高维约束多目标问题的算法:C-SHEMa EA。通过两阶段搜索策略,结合改进的epsilon约束处理方法和约束支配原则,将约束处理策略嵌入到SHEMa EA算法的不同阶段,充分利用算法在目标个数较多的高维问题上的处理优势,同时得到满足可行性、多样性及收敛性的非支配解集。通过多种不同类型,不同目标个数的约束多目标函数测试,并与两个先进的算法进行对比,验证了所提算法在昂贵多目标,尤其是目标个数较多的问题上的适用性。