汽车技术发展的趋势和越来越严格的排放法规决定了电动化已是汽车不可逆转的潮流。由于电驱动本身的技术以及配套的成熟度较低,同平台下的电动车整备质量往往比燃油车更重。为了跨过续航门槛,电动化时代下的轻量化需求更为迫切。通过先进的优化算法,使材料、最优的结构形状和尺寸用在汽车结构的合适位置,使每部分材料都能发挥其最大的承载或吸能作用,是实现结构轻量化的重要途径。在实际轻量化应用中,针对碰撞安全、振动噪声等结构强非线性性能响应,直接通过有限元分析开展优化难以满足现代车身设计与开发的要求,利用近似模型拟合并预测结构性能响应以代替有限元仿真分析可以大幅降低优化过程的计算成本,提高设计效率。尽管基于近似模型的优化方法被认为是解决复杂结构设计问题的最有效途径之一,但工程实践中仍存在诸多不足之处,易引起轻量化方案失效。本文从车身结构轻量化设计参数出发,对集成近似建模的关键技术展开研究,立足“模型构建-序列采样-偏差修正-基于模型的优化”的设计逻辑,建立了面向车身结构强非线性性能响应拟合的集成近似建模体系,并将其应用于轿车车身轻量化设计中。主要研究工作如下:(1)针对现有的集成近似建模研究通常忽略单元模型选择的问题,推导了基于偏最小二乘回归的模型显著性指标,并建立了基于显著性指标的单元模型选择策略,在综合考虑单元模型数量、模型预测精度以及各单元模型之间的散度等因素的条件下建立理想的单元模型集。为有效避免计算权重系数时的多重相关性,建立了基于偏最小二乘回归的集成近似建模流程。分别采用六维、九维、十二维、十六维数学函数及两个典型的车身结构耐撞性性能响应验证了所提方法的有效性和稳健性。(2)针对传统的序列采样算法往往仅适用于单响应的单一近似模型拟合问题,提出了基于多目标优化和变权重TOPSIS的动态采样策略,建立了面向多响应近似的集成近似建模增量学习机制。通过深度挖掘训练样本和单元近似模型的知识信息,基于所提出的NJV指标在拟合不确定性较大的区域逐步增加新的样本点以同时提高所有响应的集成近似模型的全局预测精度。以车身轻量化设计中涉及的加速度、位移等结构性能响应为研究对象,分析了初始样本点规模和权重计算方法对集成近似模型增量学习的影响。(3)针对(集成)近似模型不可避免的存在预测不确定性的缺陷,提出了基于贝叶斯推断的集成近似模型偏差修正方法,探讨了先验分布即单元模型集对偏差修正有效性的影响。结合上述的单元模型选择策略和增量学习机制,建立了集成近似模型的自适应偏差修正流程。对车身结构强非线性性能指标的研究证明了所建立的设计流程可逐步减小集成近似模型的预测不确定性大小。此外,自适应偏差修正算法对集成近似模型的预测不确定性的准确量化可进一步指导面向不确定性的优化设计。(4)针对传统稳健优化设计因忽略(集成)近似模型不确定性导致的优化解失效问题,综合考虑设计变量不确定性和集成近似模型不确定性的影响,建立了基于多源不确定性融合的稳健性优化设计流程。为进一步降低集成近似模型不确定性对稳健优化解的影响,提出了改进的全局约束稳健优化设计算法。依据所建立的流程,对汽车前部结构耐撞性轻量化设计、正面多碰撞工况协同设计实例进行了研究,验证了该策略的有效性和工程可行性,为后续开展车身轻量化设计提供了有效的优化设计流程和参考。该研究工作的开展可为轿车车身结构轻量化设计提供准确、可靠的数学模型基础,进一步指导和完善现有轻量化车身的开发流程,有效促进我国自主品牌汽车轻量化设计能力的提高。