维持种群多样性和提高算法搜索效率是多模态多目标优化亟需解决的两大问题。为解决以上问题，提出了一种基于分区搜索和强化学习的多模态多目标头脑风暴优化算法 (multimodal multi-objective brain storm optimization algorithm based on zoning search and reinforcement learning，MMBSO-ZSRL)。在MMBSO-ZSRL中，首先将决策空间分解为多个子空间以降低搜索难度和维持种群多样性；然后，使用SARSA (State-Action-Reward-State-Action) 算法来平衡头脑风暴算法的全局探索和局部开发能力；并使用特殊拥挤距离来挑选个体来指导种群进化。为了验证所提算法的性能，本文选取6种先进的多模态多目标优化算法来进行比较，并选取IEEE CEC2019多模态多目标问题基准测试集来对所有比较算法的性能进行测试。实验结果表明，MMBSO-ZSRL的整体性能要显著优于其它6种比较算法。MMBSO-ZSRL不仅可以找到多样性和逼近性更好的帕累托前沿，而且可以在决策空间找到更多的帕累托最优解。