多年以来学者们在全局优化领域投入了大量的研究精力。一般性的优化问题其目标在于在给定的约束条件下找到目标函数的极小值（即找到全局或局部最优解）。在众多科学、工程应用中,在给定同样计算资源的情况下,相比于局部最优解,人们更希望找到并验证问题的全局最优解。为了达到这个目标,许多全局优化方法应运而生。根据它们是否能保证收敛到全局最优解,这些方法分为两大类:确定性方法以及随机性方法。一般来说,确定性方法能够保证收敛至全局最优解但需要承担极大的计算量,这导致在实际应用中尤其是针对高维度问题,确定性方法并不实用。相对的,随机性方法通常高效并且能解决高维度问题,但是它们严重依赖于启发式操作（heuristic）;这导致它们对于全局最优性没有任何保证,并且在实际问题中的表现容易受到用户调参的影响。因此,现今的全局优化研究领域中仍然寻求研究能高效获得高质量的局部最优解的算法,这使得随机性方法成为了全局优化领域的主流。在本文中,我们基于概率论和随机分析提出了一个新的全局优化算法。由于采用了特殊的理论框架,我们把提出的新方法称作鞅驱动全局优化方法（martingaledriven global optimization method,即:MDGOP）,该方法可以处理一般性的含约束非凸全局优化问题。我们提出了一些特殊的停止条件来提供最优性保证。除此之外,论文进行了完整的理论分析来充分理解MDGOP方法的时间复杂度。这一算法的使用者只需要调整两个参数,并且这两个参数有着非常明确的物理意义使得它们非常容易被整定。我们在55个标准测试函数上进行了实验,实验结果表明MDGOP在效率以及准确率上均优于其余10种著名的全局优化算法。为了证明新提出的MDGOP有能力解决有约束的实际工程问题,我们对三个真实工程问题进行了案例分析,包括:一个燃料分配问题,一个长周期金融规划问题以及对K-means这个聚类算法的理论分析。结果表明,相比于其余几个随机性方法,MDGOP不仅高效、并且拥有远超过其它几种方法的搜索全局最优解的能力。在理论分析K-means聚类算法这个案例中,我们应用了在研究MDGOP过程中推导的定理作为工具去分析K-means及其几种变种的表现。该案例展现了MDGOP的理论结果可以被应用到全局优化以外的领域。除了在实际工程问题中的应用,我们认为提出的MDGOP作为全局优化解法器在多学科设计优化（multidisciplinary design optimization,即:MDO）中有非常重要的应用前景。MDO是针对工程优化的一个广泛而重要的领域,一个MDO问题的特质是它往往不能被当成一个单一的优化问题解决而需要按照不同的学科拆分成若干子问题,每一个子问题本身是一个全局优化问题。因此,为了在整体上获得一个MDO问题的最优解,必须使用一个好的全局优化解法器来求解每一个子问题;只有获得每一个子问题的全局最优解,才可以获得整个MDO问题的整体最优解。本文通过应用MDGOP来解决三个经典MDO问题来验证其作为MDO问题的全局优化解法器的能力,包括:一个数值问题,一个减速器设计问题和一个角磨机设计问题。结果表明MDGOP可以成功求解每一个子问题的全局最优解,这验证了MDGOP有在MDO领域中被用来当作全局优化解法器的能力。