由于随机现象在自然界及其工程系统中的广泛存在，随机模型在生物、力学、经济、医学、工程等诸多科学领域中发挥着越来越重要的作用。同时，随着研究的不断深入，人们发现很多现象的发生会受到时滞因素的影响，即与事物的过去状态有关，而不是仅仅取决于系统的当前状态。随机泛函微分方程(SFDEs)常常被用来对这些系统进行建模，它们通常可以看成是泛函微分方程(FDEs)和随机微分方程(SDEs)的推广。由于随机泛函微分方程的显式解通常很难被求得，于是开展对其数值方法的研究就显得尤为重要。　　 本文针对几类It?o 型随机泛函微分方程，构造了若干新型数值方法，研究了其稳定性、收敛性及计算实现。特别地，我们探讨了生化系统的多尺度方法。全文组织如下：在第二章，我们给出了一种求解It?o 型随机延迟微分方程的强预校方法，证明了在Lipschitz 条件和线性增长条件下，该方法是min(1/2，?p)阶收敛的。这里，被求解方程的初始函数是?p 次H¨older 连续的。其次，得到了该类方法的一个稳定性判据，结果表明：若对方法本身的自由参数p 进行适当的选取，所得到的新方法将会比普遍使用的Euler-Maruyama 方法具有更好的稳定性。数值结果验证了方法的收敛性，并且通过对其自由参数p的不同取值，对比了方法的稳定性。最后，讨论了方法的向量化实现，表明通过向量化实现可以使得方法的计算效率得以明显的提高。在第三章中，我们考虑了强预校方法应用于It?o 型随机微分方程时的几乎必然指数稳定性和矩指数稳定性，得到了相应的稳定性判据。结果表明在一定的条件下，如果步长足够小，该方法是几乎必然指数稳定和矩指数稳定的。数值试验进一步验证了上述理论结果。在第四章，我们提出了一种求解随机延迟微分方程的显式强1 阶无导数方法，其中，所研究的随机延迟微分方程要求具有足够光滑的漂移系数和扩散系数以及标量型的维纳过程。此外，我们也给出了一个Milstein 方法求解线性测试方程的稳定性结论，由该结论得到的稳定域较先前文献给出的稳定域要更大。为了对比方法的稳定域，我们进一步研究了无导数方法和Milstein 方法求解线性随机延迟微分方程的稳定性举止。最后，用数值试验证实了其稳定性结论。在第五章考虑了一类带随机扰动和记忆项的复杂系统，这类系统可以用非线性随机延迟积分微分方程来进行建模。本章中，我们得到了一个关于该方程的延迟依赖的稳定性判据，并且利用数值试验进一步论证了上述理论结果。在第六章，我们给出了分子数目跨度很大的延迟生化系统的多尺度模拟方法。基于系统分割的思想和已有的延迟生化系统的仿真方法，提出了一种可以显著降低计算复杂度的新方法。结果表明，与已有的仿真方法（如DSSA 方法和改进的nextreaction 方法）比较，多尺度方法具有更高的效率。最后，用数值试验验证了方法的精确性和高效性。