随着经济社会的飞速发展和全球经济一体化的日益盛行,迫切要求企业制造出短周期、低成本、高质量的产品,以提高产品在全球市场的竞争力。在产品的实现过程中,产品质量是设计出来的理念已经逐步被人们接受,设计阶段是提高产品质量的源头。对于质量设计,它往往基于传统的物理试验设计,但物理试验设计存在设计因子数目少、试验运行成本高、随机噪声干扰强等诸多不足。计算机试验的设计理论与方法是在试验设计理论的基础上发展起来的一个新的方向,它可以克服物理试验设计的诸多不足,有着很强的现实性和应用性。为了能够更有效地实现复杂产品的质量控制,重点对确定性计算机试验的建模问题做了深入分析与研究,旨在为产品的质量设计提供更有效的技术手段。论文主要基于稀疏先验模型对计算机试验元建模方法进行了相关研究,取得的创新理论及成果主要包括：(1)计算机试验的输入变量多达15-20个,甚至可能超过100个,首先提出了一种基于非凸Lp(0<p<1)范数最小化的计算机试验元建模方法,实现了变量的选择。随后,推导了若干度量稀疏性的非凸稳健罚函数,提出了基于非凸稳健罚函数最小化的计算机元建模框架,通过半二次正则化算法和加权最小二乘估计实现了回归模型系数的近似稀疏求解。与文献报道的若干方法相比,钻孔试验的案例验证了提出方法的有效性。(2)通过对回归模型的系数赋予Bayesian稀疏先验(两层先验：变方差Gaussian分布～均匀分布；三层先验：变方差Gaussian分布～双指数分布～Gamma分布),提出了基于Bayesian多层稀疏先验的计算机试验元建模方法。不仅能够同时进行噪声因子的自动筛除和重要设计因子系数的自适应估计,而且能够实现快速Bayesian推断,提高了计算机试验元建模的效率。钻孔试验和活塞噪声试验两个工业案例的试验结果表明,提出的算法不仅能够实现快速建模,而且能够在保证预测精度的同时获得形式简洁的元模型。(3)鉴于Gaussian Kriging模型基于极大似然准则估计相关参数的缺陷,提出了一种基于Jeffreys非信息超先验的Kriging元建模方法。本文对Kriging模型的相关参数赋予了两层Bayesian先验,第一层为相关参数赋予变方差的Gaussian分布,第二层为变方差赋予Jeffreys非信息超先验,然后利用期望最大化算法和Fisher Scoring算法对模型中的参数进行了估计。不管是仿真案例还是活塞噪声试验和排气歧管试验这两个工业案例,均方误差、最小绝对偏差、以及绝对偏差图都验证了提出方法的优越性。(4)为了克服Universal Kriging模型中回归项部分的基函数往往未知的缺陷,本文在Gaussian Kriging建模过程中融合了变量选择机制。通过耦合稀疏Bayesian回归建模与最佳线性无偏Universal Kriging建模,提出了稀疏Blind Kriging的建模方法。这不仅能够避免Ordinary Kriging建模的不充分,而且能够使得Universal Kriging较好地应用于实际领域。基于仿真案例和活塞噪声试验的工业案例结果表明,相对于Oridinary Kriging、Universal Kriging、SCAD(Smooth Clipped Absolute Deviation)-Kriging等建模算法,稀疏Bayesian Kriging方法能够大大提高Kriging模型的预测性能。