现有约束多目标进化算法的约束处理策略无法有效解决具有大型不可行区域的问题,导致种群停滞在不可行区域的边缘;此外,约束条件下的不连续问题对算法的全局搜索能力以及多样性的维持提出了更高的要求.针对上述问题,提出了一种基于多阶段搜索的约束多目标进化算法(CMOEA-MSS),在该算法的3个阶段采用不同的搜索策略.为使种群快速穿越大型不可行区域并逼近Pareto前沿,所提算法在第一阶段不考虑约束条件,利用一种收敛性指标引导种群搜索;在第二阶段采用一组均匀分布的权重向量来维持种群的多样性,并提出一种改进的epsilon约束处理策略,以保留不可行区域中的高质量解;在第三阶段采用约束优先原则,将搜索偏好集中在可行区域以保证最终解集的可行性.CMOEA-MSS与NSGA-Ⅱ+ARSBX(Nondominated　Sorting　Genetic　Algorithm　Ⅱ　using　Adaptive　Rotation-based　Simulated　Binary　crossover)等算法在MW和DASCMOP测试集上对比的结果表明:在MW测试集上,CMOEA-MSS在7个测试问题上获得了最好的IGD(Inverted　Generational　Distance)值,在5个测试问题上获得了最好的HV(HyperVolume)值;在DASCMOP测试集上,CMOEA-MSS在3个测试问题上获得了最好的IGD值,在2个测试问题上取得了次好的IGD值,在5个测试问题上获得了最好的HV值.可见,CMOEA-MSS在处理不连续以及具有多模态性质的约束多目标问题时具有明显优势.