进化算法已成功地应用于多目标优化领域，但用该类算法解决昂贵多目标优化问题时，仅一次目标函数或约束函数的评估就需耗时数小时甚至数天（简称为计算成本灾难问题），所需计算开销和时间效率均难以接受。尽管采用基于代理模型的多目标进化算法能在一定程度上缓解计算成本灾难问题，但代理模型及逼近技术的选择需要较多先验知识，且每个目标函数都需要单独的模型，模型类型和参数精度会直接影响估计的准确性，建模对多目标优化问题（MOP）本身是一种挑战，代价高昂。本文研究应用模式识别技术解决计算成本灾难问题的Pareto支配性分类方法。提出了预测Pareto支配性的模式分类器基本架构，分类器通过学习样本候选解的Pareto支配性关系，预测目标向量值未知候选解的Pareto支配性。首先在假设类条件概率密度函数服从正态分布的前提下，初步实现了基于统计学习理论的贝叶斯分类器，为进一步探究Pareto支配性预测奠定了基础。为提高Pareto支配性预测准确性，通过分析MOP自身特点，对决策分量定义域存在数量级差异的优化问题，相继提出了基于二进制位串加权和及同维分量距离序号和相似性测度方法。仿真实验表明，与基于欧氏距离的相似性测度方法相比，二者均显著地提高了最近邻分类的精度，且对不同类型的多目标优化问题有较强的鲁棒性；对决策向量中存在等价分量的优化问题，在分析决策分量对各目标分量贡献率的基础上定义决策向量的等价子向量，等价子向量由贡献率相同的决策分量所组成，提出基于等价子向量的最小交叉距离加权和相似性测度方法。对典型多目标优化问题的Pareto支配性最近邻分类实验结果表明，该方法显著地提高分类准确性。为克服最近邻分类方法对Pareto支配性类比例分布不平衡问题预测精度不高的缺陷，本文通过定义L-Pareto支配性来改善类比例分布，在定性分析Pareto支配性与L-Pareto支配性预测错误率的基础上，实现了L-Pareto支配性预测方法。对几个经典多目标优化问题进行测试，仿真实验表明L-Pareto支配性预测具有一定可行性和有效性。