武器系统进行试验分析与评估时，由于受各种条件限制，试验的用弹量很少，属于小子样问题。Baves小子样理论可以有效地融合各种验前信息，减少现场试验次数。由此，本文主要应用Bayes方法对以下几方面进行了探讨： 首先，在复杂假设下，本文利用圆散布误差这一精度指标对落点散布鉴定问题进行研究，它比以往所用的纵、横向偏差精度指标更具现实意义；分析了此鉴定问题的决策临界区域；给出其Bayes风险的具体表达式，对用数值积分进行近似求解的方法进行了改进；在此基础上，通过极小化试验的风险确定最优试验数n，并讨论了决策中犯两类错误的概率，给出了验前信息的表示。 其次，对于昂贵的武器装备，需进行截尾试验。仍就圆散布误差，本文给出其落点散布鉴定的m-截断Bayes序贯截尾方案；而对于截尾数m相对较大的情况，Bayes m-截断的计算是非常困难的，因此本文使用m-步向前看过程对其进行改进，并给出具体实施方案；针对风险函数值是无限的情况，本文对损失函数进行修正，使Bayes风险的序贯过程有限。 在Bayes决策方法中，损失函数是一个重要因素。本文最后根据武器评估的实际情况，提出有关落点密集度和系统偏差的损失函数，并分别求得它们的Bayes风险，这表明它们不仅具有实际意义，而且更加有可行性。