本文主要工作为:计算机模型的纠偏与参数校准。通过模型纠偏及参数校准可以很大程度上提高计算机仿真程序的可信度。　　计算机仿真模拟在科学探索和工程设计中有着广泛的应用。然而，由于计算机仿真是在一定的简化和近似下建立起来的，所以计算机输出通常与实际情况不太相符。借助物理观测对计算机模型进行统计校正，是一种十分重要的校正方法。结合物理观测数据及计算机仿真数据对计算机模型进行统计校正主要分为两个方面:　　纠偏:对物理过程与计算机模型间的偏差进行估计:　　代理模型纠偏指的结合物理观测与计算机输出两种数据源，建立代理模型来估计物理响应与计算机输出之间的偏差，从而对计算机模型进行纠偏，提高计算机模型的预测精度。　　校准:对计算机模型的内部参数进行估计:　　在计算机程序中往往有一些未知的模型参数，或者这些参数在物理实验中无法观测，称这样的参数为校准参数。通过物理观测及计算机仿真试验对校准参数进行估计从而可得到较准确的计算机模型，这一过程称为计算机模型参数校准。　　本论文的主要结果在第二章至第四章给出。在第二章中，提出了一种半参数方法估计计算机输出和物理响应之间的差异，实现对计算机模型进行统计校正使用三个数值研究和一个实际的例子来检验该方法的预测性能。结果表明，该方法优于现有方法。　　第三章结合工程设计知识，考虑了计算机模型参数的校准问题。提出了症结（校准）变量的概念:症结变量指的是工程建模中敏感的且其最优值不同于预先工程设计值的模型参数。本章提出了一种基于有限的物理实验数据来识别和校正症结变量的有效校准方法。一个数值研究和复合材料机身仿真实验表明了该方法的有效性。　　核岭回归是估计光滑函数的一种重要的非参数方法。第四章指出，在一定条件下，在L2范数和再生核希尔伯特空间范数下的核岭回归估计的实际收敛速度比文献中已知的结果要快得多。该结果提供了对高斯过程模型新的理解:可以将高斯过程模型看作是核岭回归的贝叶斯版本。证明了在一定条件下，协方差函数已知的高斯过程模型的极大似然估计收敛到残差函数的再生核希尔伯特空间范数下的极小值，从而建立了随机系统下模型参数校准的极限理论。