基于计算机的复杂系统模型往往包含很多参数，而模型的表现与这些参数的设置存在重大的关联，许多研究表明正确的参数取值能够极大地改善模型的表现。然而，如何正确估计模型参数是一个复杂的科学问题，涉及到如何正确识别并优化模型的敏感参数。敏感性分析是识别主导模型行为的重要参数的常用方法，是全面了解模型参数如何影响模型表现的重要手段，它为模型参数优化提供科学基础。本论文通过全面地分析和比较不同的敏感性分析方法，提出了一个两阶段敏感性分析的不确定性定量化框架，针对几个不同复杂程度和不同参数类型的地球物理过程模型进行了深入的敏感性分析研究，论文的终极目标是为复杂系统模型研究者在敏感性分析方法的使用上提供指导性参考。本文的主要贡献如下：（1）对敏感性分析方法做了回顾，包括常用的局部方法和近年来逐渐流行的全局方法。评估了9种广泛使用的全局敏感性分析方法的有效性和效率，包括6种定性分析方法和3种定量分析方法。以包含13个可调参数的概念性水文模型——SAC-SMA模型为例，采用多种抽样方法产生不同大小的样本，检验这9种敏感性分析方法是否能正确识别该模型的敏感和不敏感参数。通过评估这些敏感性分析方法，了解了各个方法的优缺点和适用性，为其它模型的敏感性分析提供了方法选择的指导。（2）基于定性和定量全局敏感性分析方法各自的优点，本研究进一步设计了一个多目标两阶段敏感性分析的不确定性定量化框架，对CSSP陆面过程模型中与地表水文模拟相关的24个可调参数进行逐步敏感性分析，实现从定性敏感性分析到定量敏感性分析的无缝衔接。其中，第一阶段采用基于拉丁超立方体抽样的一次变一因子（LH-OAT）筛选方法进行定性分析，用于筛选掉不敏感的参数；第二阶段采用基于多元自适应回归样条（MARS）的Sobol’敏感性指数对剩余的参数进行定量分析，用于量化每个参数对响应方差的贡献率。以逐步了解参数行为和识别敏感参数，并最终降低参数维度、简化模型复杂度，为参数优化提供帮助。本研究为复杂系统模型参数敏感性分析提供了一种有效且高效的途径。（3）利用统计方法对一个复杂的数值天气预报模型——WRF模型的物理过程进行了敏感性分析研究。WRF模型的物理过程是离散型分类变量，它不同于一般的连续型变量（如前面提及的模型参数）或离散型整数变量（赋值为整数）。离散型分类变量本身没有赋值，只代表某些分类。对于WRF而言，物理过程的一种参数化方案代表分类变量的一个类别。由于WRF模型参数化方案的组合非常之多（超过106），如何利用系统的数理统计方法对这种复杂的离散型分类问题进行敏感性分析和组合优化在文献中鲜有提及。本研究利用方差分析识别了WRF模型同一物理过程的各个参数化方案在模拟北京地区的气温和降水方面是否有显著差异，并利用Tukey多重比较方法进一步确定了哪些参数化方案的表现有差异，由此分析各个物理过程的敏感性。提出逐步识别并去掉各个物理过程中表现最差的方案这种设想，以此减少参数化方案的组合数、降低WRF模型的不确定性，最终优化出表现差异不显著、模拟效果最好的一些参数化方案组合，作为集合预报的成员。本研究为解决离散型分类变量的敏感性分析和组合优化问题提供了一种新的思路。