为了适配用户具体的应用场景,满足用户对系统性能的需求,存储系统提供了大量的可配置参数。但是使用默认配置不能保证在任何情况下都能获得最优性能,因此需要使用配置参数推荐算法,通过调节参数的值来优化系统配置。目前分布式存储系统待优化参数过多,且单次性能测试（采样）的时间开销很大,导致配置参数推荐算法需要在有限采样次数内得出相对较优的参数值。因此推荐算法应谨慎的进行每一次采样,同时需要合理、充分的利用采样数据。针对采样阶段现有的算法无法感知目标空间的问题,提出了自适应的渐进拉丁超立方采样算法,使用随机森林回归模型动态识别出欠采样区域并有选择的进行递进式采样,让采样数据尽可能的体现目标空间的实际分布。针对参数筛选阶段中正则化算法的共线性问题,提出了一种基于随机森林的参数重要性计算方法,使用随机森林结合Spearman算法更好的体现出参数间的依赖关系,提高了特征选择的准确性。为了在优化阶段充分利用采样阶段得到的数据,提出了一种最佳参数值预测方法,使用贝叶斯优化算法对采样阶段建立的回归模型预测出各参数的最优值,提前为用户推荐出一组配置。以Cosbench作为性能测试工具,对Ceph集群进行配置参数推荐实验。在优化平均处理时间上,实验结果表明,自适应的渐进式拉丁超立方采样算法结合改进的参数重要性计算方法后,得到的最佳配置比默认配置的综合性能提升了39.72%,与现有的使用L1正则化结合拉丁超立方抽样方法相比,优化的收益提升了3.59倍。最佳参数值预测方法能够仅利用采样数据即可给出相对较好的配置,与默认配置相比预测得到的综合性能可提升约8%。