基于高精度数值模拟的优化设计是实现飞行器精细化设计的必由之路,但数值模拟计算耗时、优化搜索需要大量仿真迭代等问题,导致高精度模型难以在飞行器优化设计得到充分应用。序列近似优化方法通过引入近似模型并动态更新,在较少模型调用次数下可得到较好设计结果,是解决基于高精度数值模拟优化设计问题的有效途径。本文以序列近似优化方法为基础,围绕基于数值模拟的优化设计问题开展研究,通过分析现有黑箱函数优化模式的不足,提出数值模拟-优化搜索协同迭代理论方法,实现数值模拟数据的高效利用,显著提升优化效率,丰富飞行器优化设计理论方法。建立了数值模拟—优化搜索协同迭代方法框架,针对基于边值微分方程数值模拟的优化问题,提出基于近似模型加速仿真求解的边值问题的协同迭代方法,通过学习已有训练样本边值问题的解,对问题的解随输入变量的变化进行预测,加速新样本点仿真,降低序列采样过程新样本求解计算量。针对基于初值问题数值模拟的匹配设计问题,在序列近似优化过程中,基于不完备仿真信息与不精确采样准则实现对潜在最优解预测与较劣解的剔除,有效避免较劣解仿真对计算资源的浪费,有效节省计算资源,实现仿真计算与优化搜索的协同迭代。建立了任意设计空间均匀采样的高效实验设计方法。针对规则设计空间,提出低相关拉丁超立方直接构造方法,降低优化复杂度,提高样本散布性,增加样本点对全空间探索能力,提出优化拉丁超立方实验设计序列扩充方法,在保持已有样本点位置不变的情况下,通过对新增样本点的合理设计,实现新增采样点在已有样本之间的均匀填充。针对不规则设计空间,提出约束域优化拉丁超立方设计方法,通过对不可行点和可行点的加权,实现采样点在可行域的均匀分布,忽略不可行域的分布,提升样本点可行性,避免不可行点大量仿真。提出了基于局部密度的径向基函数形状参数确定方法,将多个形状参数的确定转化为一个参数的确定,采用矩估计方法确定该参数。建立径向基函数近似模型一、二阶矩显式求解方法,显著降低形状参数确定的计算复杂度,提高近似精度。在此基础上,基于Sobol分解,提出径向基函数近似模型的正交分解方法,实现近似模型各阶灵敏度的显式求解,提高复杂高耗时模型灵敏度分析效率,可快速识别主要影响因素。提出了基于不精确搜索的自适应并行采样准则,将不精确搜索思想引入序列近似优化过程,在节省搜索计算量的同时避免优化初期粗略近似模型对搜索过程的误导,提高优化效率。提出自学习并行采样点个数自适应调整方法,实现探索与开发的平衡,避免无效探索。基于本文方法,完成了高超声速升力体气动外形优化设计以及固体火箭发动机性能匹配设计,实现了方法的工程应用,并对方法可行性和高效性进行验证。