约束多目标优化问题广泛存在于科学研究和工程实践中,其往往包含多个互相冲突的目标函数和复杂的约束条件,如:车辆路径规划问题希望总路径距离最小化同时车辆数量最小化,并且需要满足车辆搭载容限约束、时间窗口约束等条件;水资源优化配置问题希望受水区总缺水量最小化和受水区资源利用的经济效用最大化,同时满足供水能力约束、需水能力约束等约束条件。然而,如何高效准确地获得该类问题的最优解是现如今科学研究领域中亟待解决的关键问题。约束多目标进化算法是一类利用进化算法搜索效率高、通用性强以及健壮性好等特点来求解约束优化问题的方法,吸引了众多学者的兴趣,并且提出了大量的约束处理技术。现有的约束多目标进化算法在求解简单的约束多目标优化问题时能够获得一组分布均匀的Pareto最优解,具有优秀的收敛性和多样性。然而,面对复杂的约束多目标优化问题,现有的约束多目标进化算法遇到了约束难以有效处理、约束与目标难以平衡等难题。为了克服这些问题,本文在现有进化算法的基础上,分析现有约束处理技术的特性,并设计了新型的约束多目标进化算法。具体涉及的内容如下:（1）针对复杂约束条件难以有效处理的问题。本文在MOEA/D算法中嵌入了新型的自适应ε约束处理技术与检测逃离机制,从而提出新的算法MOEA/D-εDAE。该算法通过目标空间中可行解信息自适应地调整ε设置值,避免ε设置值的不合理化;此外,该算法能够充分利用目标空间中的不可行解信息,帮助算法搜索完整的可行域。（2）针对目标优化与约束满足之间难以平衡的问题。本文研究了不同约束处理技术的搜索偏向,提出了一种新型的自适应框架ACMO,该框架根据种群的进化信息自适应地选择约束处理技术来调整搜索偏向,平衡目标优化和约束满足,搜索全局最优解。（3）通过求解大量复杂的基准测试问题,将所提出的算法与多个流行的约束多目标进化算法进行了实验对比,结果表明所提算法获得了较好的性能,具有一定的竞争性。