由于复杂系统实验具有结构复杂、实验因子众多、实验因子之间关系复杂以及大多数实验因子对实验输出影响甚微的特点,在进行复杂实验因子重要性分析时,实验因子筛选以及灵敏度分析是必不可少的步骤。针对上述问题,结合复杂系统实验的特点,本文从实验因子群组分析、实验因子筛选以及实验因子灵敏度分析三个角度,进行了研究。首先,针对复杂系统实验因子之间关系复杂的特点,提出了实验因子群组的概念。采用信息论中信息熵和对称不确定性描述实验因子相关性和实验因子冗余,进而提出了基于聚类的实验因子群组分析方法,高效完成实验因子群组分析工作,为后续实验因子筛选工作奠定基础。其次,针对复杂系统实验因子众多的特点,在群组分析的基础上提出了基于组合优化的实验因子筛选算法。采用数据降维方法完成实验因子群组到抽象实验因子的映射;根据实验输出的性质选择合适的机器学习模型作为抽象实验因子的评价方法;基于组合优化的思想,采用优化算法,寻找模型中显著的抽象因子。再次,针对复杂系统结构复杂的特点,在实验因子群组分析和筛选的基础上,采用多层感知机作为实验因子灵敏度分析的系统元模型,并设计了基于多层感知机的实验因子灵敏度分析方法,以支持灵敏度分析工作的合理性和高效性。最后,为了提高实验因子分析的效率,设计实现了实验因子重要性智能分析工具,协助实验人员进行实验因子的重要性分析。该工具分为实验项目管理模块、实验因子群组分析模块、实验因子筛选模块、实验因子灵敏度分析模块以及基础功能模块,并应用于实际的实验因子重要性分析问题中,验证了实验因子重要性智能化分析方法和工具的有效性。