计算机试验的设计理论和建模方法是在经典试验设计基础上发展起来的一个新的方向。借助于计算机试验，能够使得企业在产品的研发和制造中获得设计成本低、上市周期短、性能质量高等一系列优势。当前，计算机试验设计与建模已经成为企业的重要组成部分，对产品设计和制造具有重要意义。　　 与其它多种元建模方法相比，由于Kriging模型具有相对较高的预测精度，因而成为计算机试验研究中使用最为广泛的元模型。鉴于Kriging元模型在计算机试验文献中具有不可替代和举足轻重的作用与地位，本文着重对Kriging元模型进行了详细的讨论、分析与研究，并主要针对Universal Kriging模型的回归系数非稀疏性问题展开具体研究。　　 我们的核心思想是：在基于Kriging的元建模方法中，除了要估计相关系数，还要同时进行回归模型的选择和回归系数的估计，换句话说，就是实现回归模型系数的稀疏求解。通过在Kriging元建模框架下考虑回归模型的选择问题，不仅能够提供一种灵活的Kriging元建模方法，而且能够提高模型的预测精度。这样做既能克服Ordinary Kriging在元建模上的不充分，又能避免不重要因子变量对最佳线性无偏预测的恶性影响。具体地说，论文在第四章提出了一种基于Bayesian稀疏先验的快速Kriging建模方法。相对于最佳线性无偏Kriging建模中的回归系数的最小二乘估计，本文基于Bayesian稀疏先验的估计方法本质上是一种自适应的Tikohonov正则最小二乘估计，不仅能够在一定程度上保证回归系数估计的稳定性，而且能够同时选择回归模型中的重要因子变量。仿真试验和工业试验的实验结果均验证了本文方法的有效性，不仅使得Universal Kriging模型在实际应用中成为可能，而且提高了Kriging模型的预测效率和精度。