现实中优化问题大多数是约束多目标优化问题，所以对它的研究更具实际意义。在求解该问题时，大部分的传统多目标优化方法都需要一定的先验知识或者与决策者的交互，而进化算法是属于一种启发式的搜索算法，具有自适应性学习机制，逐渐成为解决约束多目标优化问题的主流方法。差分进化算法属于进化算法的一种，是采用基于种群并行随机搜索的算法，它的搜索策略与参数控制，在某种程度上有利于算法向广度扩展与向深度挖掘；其次差分进化算法的搜索是以并行方式进行的，这也契合了多目标优化问题对解分布的多样性要求；再之，差分进化算法结构较为简单，具有很强的通用性。因此本文采用差分进化算法求解约束多目标优化问题，主要研究内容如下：　　首先，为了平衡算法的全局寻优能力与快速收敛能力，本文提出的一般改进差分进化算法。新算法依据个体适应度将所有个体分为三个子种群，不同子种群的规模随着迭代次数的增加而进行适应性变动，且对不同子种群采用不同变异策略，并运用变动的高斯分布对参数进行自适应控制，再采用一种类算术交叉操作加强扰动。通过仿真实验表明，新算法实现了一个全局寻优能力与快速收敛能力的较好平衡。　　其次，针对约束多目标优化问题，为了提高约束多目标优化算法的收敛性和分布性，提出一种基于双种群的多目标差分进化算法。该算法引进一个约束处理策略对非可行解进行处理的同时，也对可行解的目标函数值进行归一化处理，从而形成一个修正后的目标函数值，并采用改进的一般差分进化算法对目标函数进行优化。新算法采用的双种群结构、基于部分计算拥挤距离的种群同步更新方式。为了验证算法的性能，本文选取了四个经典的约束多目标测试函数，将所提算法与四个多目标优化算法进行仿真实验，从而从收敛性与分布性上验证了所提算法的有效性。　　最后，针对不同车型、同时集送的多目标车辆路径问题，构建考虑碳排放与时间成本的多目标约束优化模型，并运用基于双种群的多目标差分进化算法进行求解，从车辆平均装载率与时间窗约束成本两个角度验证改进的多目标差分进化算法的求解配送任务的合理性，再与经典的NSGA-II(Non-dominated Genetic Algorithm-II)求解结果对比分析，得出NSGA-II解集比本文算法分布更均匀，但是在收敛性上本文所提算法更优。