多目标优化问题的求解已日益成为工程界研究的热点，而遗传算法作为一种全局寻优能力优越的算法已成为解决多目标优化问题的强有力工具。近年来，基于Pareto多目标遗传算法已成为研究热点，各领域学者不断将其应用到求解各自领域的案例中。论文首先介绍了前人关于多目标遗传算法的研究及其在各工程领域的应用，然后给出了基于Pareto多目标优化问题的相关概念及其数学模型。进而详细地介绍了几种较经典的多目标遗传算法，并分析了NSGA-II、NPGA等算法的优势与不足的地方。针对NSGA-II中非支配排序算法计算复杂度高、NPGA中共享适应度参数难以确定性等不足的地方，本文提出了一种基于最小准则非支配排序算法，从理论和实践角度验证了该算法在非支配排序方面具有很高的效率；同时在遗传算法的进化过程中，提出了基于混沌法生成种群库，填充进化种群空间中个体分布稀疏部位，从而有效地提升了遗传算法的全局搜索能力；最后在多目标遗传算法的收敛判据方面，本文提出了以相邻两代外部非支配个体存储集的世代距离之差小于设定阈值为收敛判据。通过对测试函数DTLZ1-5的测试，验证了改进后的算法求解的Pareto最优解较NSGA-II分布更加均匀，改进算法是可行的、有效的。最后，针对并联行星轮系变速箱档位齿轮的优化设计问题，探讨了如何建立其数学模型，并使用改进的多目标遗传算法对变速箱档位齿轮参数进行优化求解。通过仿真得到优化问题的Pareto最优解分布曲线图，其分布较均匀，并与实际设计完成的模型参数相对比，验证了改进算法能很好地求解变速箱档位齿轮优化问题。