单目标优化问题的最优解通常是唯一的,而在车辆路径规划、电力资源调度、车间管理调度等许多实际问题中,需要寻优的目标都不止一个,这样的问题就是多目标优化问题,多目标优化问题的解通常是一个Pareto最优集合。多目标进化算法是解决多目标优化问题的常用方法。目前的多目标进化算法在收敛速度和解决高维多目标优化问题的能力上仍然存在不足。提高多目标进化算法的性能是当前的研究热点与难点。论文首先介绍了多目标优化问题的数学定义、研究历史与现状、目前使用的主流优化算法及优缺点,接着介绍了经典的几种多目标进化算法和多目标优化算法的性能评价指标及测试函数集。论文提出了一种基于方向向量分解的多目标骨干粒子群优化算法（DV-MOPSO）,该算法采用一种改进的方向向量对多目标优化问题进行分解,加快了算法的收敛速度。通过在ZDT测试函数上与几种流行的多目标优化算法进行了对比实验,实验结果表明在双目标优化问题上,基于方向向量分解的多目标骨干粒子群优化算法的收敛速度和收敛性优于其他的几种流行的多目标优化算法。为了更好的解决目标个数大于4的高维多目标优化问题,论文提出了一种基于分解的多目标骨干粒子群优化算法（BB-MOPSO/D）,并从收敛性和多样性两个角度出发,在BB-MOPSO/D算法中引入了一种更快收敛的骨干粒子群优化算法,提出了一种新的边界交叉惩罚函数,增大了储备集的多样性选择压力,同时尽可能的减小收敛性损失。通过在DTLZ测试函数上与几种流行的多目标优化算法进行了对比实验,结果表明,BB-MOPSO/D算法的结果优于其他几种流行的多目标优化算法,尤其是在目标数增大到10时,显著优于其他几种算法,说明BB-MOPSO/D算法能更好的解决高维多目标优化问题。将BB-MOPSO/D算法应用于无线传感器网络中的移动汇聚点路径优化问题中,通过仿真实验验证了BBMOPSO/D算法能很好的解决移动汇聚点路径优化问题。针对现在越来越复杂的多目标优化问题,论文提出的两种多目标骨干粒子群优化算法分别在处理双目标优化问题和高维多目标优化问题上表现出了较好的综合性能,同时具有一定的应用价值。