基于代理模型的复杂产品设计优化,可大幅度降低产品的研发成本和设计周期,是现代工程设计领域的研究热点。由于诸多因素的相互耦合,复杂产品的设计变量与目标变量之间呈现强非线性关系。极限学习机（Extreme Learning Machine,ELM）是一种随机前馈神经网络,被证明能够以0误差近似任意训练数据,对强非线性模型具有良好的逼近能力和泛化性能。本文以ELM作为代理模型的研究载体,研究了复杂产品及其后续改进性产品的代理模型构造问题。本文主要的研究工作包括:（1）对于累积了丰富的仿真数据的复杂产品代理模型构造问题,提出基于遗传编程（Genetic Programming,GP）的ELM改进方法。有限的神经元数、随机的输入权重和固定的激活函数限制了ELM的非线性表征性能。为了提升ELM的拟合能力,引入基于GP的符号回归（Symbolic Regression,SR）方法,用于优化ELM的激活函数,由此提出了基于单层ELM的GP-ELM和基于深层ELM的DGP-ELM建模方法。实验结果表明,所提出的方法有效提升了ELM代理模型的逼近性能和泛化性能。（2）对于规划少量仿真数据构造第一代新产品ELM代理模型的问题,提出基于行列式点过程（Determinantal Point Processes,DPPs）的序列采样算法。利用DPPs采样中相似样本的互斥特性,提出了实现空间多样性采样的k-DPPs（SDS）序列采样算法。进一步地,研究了ELM在线学习算法的特点,推导了基于E最优设计的模型不确定性和基于残差预测的样本不确定性两种评价指标。结合空间多样性和不确定性,提出了kDPPs（US）序列采样算法。实验结果表明,所提出的序列采样算法提高了ELM代理模型的泛化性能。（3）对于复杂产品的迭代设计中,具有同系列的旧产品作为参考的改进产品的ELM代理模型构造问题,提出重利用旧产品仿真数据的迁移学习建模方法。变可信度近似建模是一种融合高、低精度样本的近似建模方法,将该思想在迁移学习中进行推广,提出了加法变可信度ELM（Additive Multi-Fidelity Extreme Learning Machine,AMFELM）迁移学习建模方法。然后,分析了AMF-ELM的缺点,提出迭代的加法变可信度ELM（Iterative Additive Multi-Fidelity Extreme Learning Machine,IAMF-ELM）迁移学习建模方法。进一步地,研究了二者的在线学习算法特性,将所提出的k-DPPs（SDS）和k-DPPs（US）序列采样算法引入到AMF-ELM和IAMF-ELM建模方法中。实验结果表明,所提出的迁移学习建模方法能够以极少的样本构建较高精度的ELM代理模型,并且结合所提出的采样算法规划仿真数据后,模型的泛化性能可以进一步提升。（4）将所提的GP-ELM和DGP-ELM建模方法用于构造I型金属夹芯板的整体挠度代理模型,并通过AMF-ELM和IAMF-ELM建模方法构造C型和V型金属夹芯板的代理模型;将所提的k-DPPs（SDS）和k-DPPs（US）采样方法用于构造额定负载为6klb的伸缩臂叉车的变幅缸腔内最大压力代理模型,并通过AMF-ELM和IAMF-ELM方法构造额定负载为10klb的伸缩臂叉车的代理模型。