近年来,大数据应用的发展给许多行业带来了巨大的生机,随之而来会出现更多更复杂的问题。而有些试验并不能大量重复进行,所以可以通过计算机试验来模拟试验中的一些物理过程有效地帮助解决上述问题。在计算机试验元建模中,Gaussian Kriging模型是一种非常重要的模型,它的预测是最佳线性无偏预测,同时,它能够度量预测的不确定性。如何进一步提高该模型预测精度并实现快速建模是许多研究者都在关注的问题。论文主要围绕快速稀疏Kriging元建模方法及其应用进行研究,首先介绍了Gaussian Kriging模型的一些基本理论和目前基于该模型稀疏系数估计的变量选择方法,包括传统的最大似然估计方法（MLE）,针对相关参数估计的L1、L2和SCAD惩罚Gaussian Kriging方法以及针对均值函数估计的贝叶斯Kriging方法。针对Ordinary Kriging模型下相关参数估计建模的不稳定不充分性和Universal Kriging模型下均值函数贝叶斯估计建模的计算效率低等问题,本文借鉴压缩感知领域稀疏信号恢复的前沿进展,提出了两种Gaussian Kriging元建模新方法,分别是基于稀疏贝叶斯学习的快速Kriging元建模方法（Fast-SBL-Kriging）和SCAD惩罚的快速稀疏Kriging元建模方法（Fast-SCAD-Kriging）。最后,对2个数值试验和4个工业案例进行了详实的试验分析和比较。试验结果表明,相比MLE-Kriging、L1-Kriging、L2-Kriging、SCAD-Kriging、Stochastic Searched Blind Kriging和贝叶斯Kriging方法,在预测精度方面,本文提出的两种方法在均方根误差和绝对残差中值指标上表现都有所提升;在计算效率方面,Fast-SCAD-Kriging与Fast-SBL-Kriging相比,快速建模能力更加突出;在变量选择能力方面,Fast-SCAD-Kriging选出的变量相对更加精准。综上所述,本文提出的Fast-SCAD-Kriging与其他元建模方法相比,无论在预测精度上,还是在计算效率和变量选择能力上都具有更强竞争力。