大型复杂结构的优化问题具有高维数、多峰值、非线性、非连续等特点，采用传统优化方法难以获得全局最优解，采用仿生优化方法能够获得全局最优解，但是计算效率较低。如何在获得全局最优解的前提下进一步提高复杂结构优化的效率，已成为专家和学者普遍关心的问题。　　 本文以桁架结构为研究对象，开展的主要研究工作有：首先，针对目前传统优化算法很难获得全局最优解，仿生优化算法虽能获得全局最优解但计算效率普遍偏低的问题，本文将一种寻优效率更高的进化策略算法(CMA-ES)引入桁架结构优化问题的求解中，通过函数测试，并与遗传算法(GA)和粒子群算法(PSO)进行比较分析，验证了CMA-ES算法的可行性与高效性。其次，采用综合集成的思路，将高斯过程机器学习方法(GP)融入到CMA-ES算法中，利用GP对优化目标函数进行动态拟合，提出基于动态样本库学习的CMAES-GP算法，并通过函数测试验证了CMAES-GP算法的可行性。与GA、PSO、CMA-ES算法相比较，在保证计算精度的前提下，该算法的计算效率得到了大幅度的提高。最后，结合有限元方法，分别将CMA-ES算法与CMAES-GP算法应用于复杂桁架结构优化问题的求解。　　 研究结果表明，CMA-ES算法具有高自适应性、高鲁棒性、计算精度高、计算效率高等特点，适用于解决复杂桁架结构优化问题，与传统方法相比，计算效率有大幅度的提高。CMAES-GP算法在保证计算精度的基础上使计算效率得到了进一步的提高，将CMAES-GP算法应用于解决复杂桁架结构优化问题中，为桁架结构优化问题的求解提供了一条新的途径。