提高宽工况范围下燃烧反应动力学模型的预测能力是燃烧科学发展的关键问题。不确定性分析是控制燃烧反应动力学模型误差的重要方法,主要通过数值方法探究燃烧反应动力学模型的不确定性来源以及传递机制,采用模型优化等方法减少模型参数不确定性。然而,目前的不确定性分析方法还存在计算效率较低、实验工况和实际条件不匹配等诸多问题,难以应用于复杂的燃烧反应动力学模型。本研究旨在将不确定性分析方法应用于复杂燃烧反应动力学模型的分析,并解决在此过程中所面临的困难。本研究发展了基于人工神经网络（ANN）的贝叶斯模型优化方法。采用测试集误差对主流数学替代模型进行对比,分析人工神经网络模型相比于其他数学替代模型的效率优势。在传统的马尔科夫链蒙特卡洛算法（MCMC）基础上,发展ANN-MCMC优化方法,提高对于贝叶斯方程的求解效率。在本文给出的甲醇模型优化算例中,ANN-MCMC方法只需700个样本就可以达到较低的计算误差,同等计算误差下的MCMC方法需要至少10000个样本,显示了ANN-MCMC方法的效率优势。提出了替代模型相似性分析实验设计方法,定量衡量不同条件下燃烧反应动力学模型预测之间的内在关联,为实验条件的选取提供指导。基于此方法可以计算不同条件下模型预测的相似性系数,相似性系数越大的两个条件,对模型预测影响较大的反应更趋于一致,在其中一个条件下的实验数据可以对另外一个条件下的模型预测产生约束。基于上述工作提出了基于实验设计的燃烧反应动力学不确定性分析研究方法,并发展了适用于复杂燃烧反应动力学模型不确定性分析的计算平台Combustion UQ。此方法以减少实际燃烧条件下的模型不确定性为基本目标,定量分析模型误差范围以及误差来源,采用实验设计方法寻找对模型参数约束更强的条件,最后通过实验数据反向优化模型参数。本研究以环己烯和1,5-己二烯、二乙酰和甲醇燃烧体系为例,展示了从完善燃烧反应动力学模型结构到模型分析和实验设计计算的过程,以及如何约束燃烧反应动力学模型并得到优化后的模型参数。